你一定不會懷疑自己電腦的麥克風(fēng)正背著你偷偷摸摸做些什么，因?yàn)槟阋呀?jīng)很久沒有用過它了。

但事實(shí)真的是這樣嗎？

難道谷歌真的在“監(jiān)聽”用戶嗎？

挨君想告訴你，這基本沒 可 能。

谷歌瀏覽器的用戶已經(jīng)超過20億了，要是監(jiān)聽每個用戶每天說的話，這個數(shù)據(jù)量太過驚人。投入高昂的成本就為了實(shí)現(xiàn)廣告精準(zhǔn)投放，還冒著巨大的法律風(fēng)險，這種事正常人是不會去做的。

對于視頻中展現(xiàn)的“事實(shí)”，可能的操作是谷歌使用了一個語音關(guān)鍵詞識別系統(tǒng)。

有商業(yè)價值的關(guān)鍵詞總共就幾百萬個，為了簡單，可以只做頭部那些最賺錢的幾十萬個。這幾十萬個關(guān)鍵詞也不需要先跑語音識別再跑文本匹配，拿原始的語音文件來搞一個中等深度的神經(jīng)網(wǎng)絡(luò)甚至線性特征模型就可以，速度也非常快。

所以大家不用擔(dān)心語音識別正在侵犯你的隱私。相反，作為人類與機(jī)器最自然的交互形式（絕對不是打字），在未來，當(dāng)你不想用手或者像殘障人士難以用手的時候，語音識別將會是操作一切最方便的鑰匙。

語音識別發(fā)展史

說到語音識別，大家熟悉的可能是最近十年里才出現(xiàn)的微信語音轉(zhuǎn)文字，或者語音實(shí)時記錄和翻譯。但其實(shí)語音識別的歷史比互聯(lián)網(wǎng)還早，現(xiàn)代計算機(jī)誕生的那一刻，就已經(jīng)埋下了語音識別的種子。

1946年，現(xiàn)代計算機(jī)誕生。它的誕生讓人們意識到，原來計算機(jī)能完成這么多工作，而且做得比人還好；

（馮諾依曼和第一臺現(xiàn)代計算機(jī)）

1950年，圖靈在《思想》雜志發(fā)表了一篇題為《計算機(jī)器和智能》的論文，來探討計算機(jī)是否可以具備智能；

在圖靈思想的啟發(fā)下，人們想著既然計算機(jī)這么能干，干嘛不把它設(shè)計得和人類一樣能看能說能聽呢，這不就能幫人類做更多事了嘛！（果然，懶才是科學(xué)發(fā)展的源動力啊）

于是，第一代語音識別系統(tǒng)誕生，被稱為機(jī)器的聽覺系統(tǒng)。

1952年，貝爾研究所研制了世界上第一個能識別10個英文數(shù)字發(fā)音的實(shí)驗(yàn)系統(tǒng)。也就是你說“yi”，計算機(jī)就知道這是“1”，能力跟嬰兒差不多。

1960年，英國的Denes等人研制了第一個計算機(jī)語音識別系統(tǒng)。

但是因?yàn)樽R別量小，這些系統(tǒng)根本達(dá)不到實(shí)際應(yīng)用的要求，包括后續(xù)的20年間，都是在走彎路，沒有什么研究成果。

直到1970年，統(tǒng)計語言學(xué)的出現(xiàn)才使得語音識別重獲新生。

統(tǒng)計語言學(xué)帶來的重生

推動這個技術(shù)路線轉(zhuǎn)變的關(guān)鍵人物是德里克·賈里尼克(Frederick Jelinek)和他領(lǐng)導(dǎo)的IBM華生實(shí)驗(yàn)室(T.J.Watson)。

統(tǒng)計語言學(xué)帶來的結(jié)果是，讓IBM當(dāng)時的語音識別率從70%提升到90%，同時語音識別的規(guī)模從幾百單詞上升到幾萬單詞，這樣語音識別就有了從實(shí)驗(yàn)室走向?qū)嶋H應(yīng)用的可能。

人類的語言是非常復(fù)雜的。不同于音頻識別，語音識別的難點(diǎn)在于把一段音頻不僅轉(zhuǎn)換成對應(yīng)的字，還要是一段邏輯清晰、語音明確的語句。

舉個例子，我們對計算機(jī)念一句話，“周五一起吃飯吧”。計算機(jī)根據(jù)音頻做出的識別可能結(jié)果是這樣的：州午衣起癡范爸。

如果僅看讀音和文字的一一對應(yīng)，這個準(zhǔn)確度可以說是很高了，因?yàn)槿绻畹目邶X稍有不清更糟糕的結(jié)果可能是“鄒五意起次換吧”。

但是無論哪種結(jié)果，在實(shí)際應(yīng)用上都是不可行的，完全沒法交流嘛。

那么統(tǒng)計語言學(xué)帶來的變革是什么呢？

我們知道，雖然人類的語言很復(fù)雜，但仍有一定規(guī)律可循，無論是“州午衣起癡范爸”，還是“鄒五意起次換吧”都不是一個正常人會說的話。統(tǒng)計語言學(xué)的作用就是找出人類說話的規(guī)律，這樣就可以大大減少了語言識別產(chǎn)生的誤差。這其中一個非常關(guān)鍵的概念就是語素。

語素是語言中最小的音義結(jié)合體，一個語言單位必須同時滿足三個條件——“最小、有音、有義”才能被稱作語素。語素又可以分成三類：

單音節(jié)語素：構(gòu)詞由一個字才有意思的詞組成

雙音節(jié)語素：構(gòu)詞由兩個字才有意思的詞組成

多音節(jié)語素：構(gòu)詞由兩個字以上才有意思的詞組成

啥意思呢？舉個例子。

你、我、他，這三個字都是單音節(jié)語素，因?yàn)槊總€字都能自成一個含義。

你可能要說了，那不是廢話嗎，還有什么字是沒有含義的嗎？

當(dāng)然有!比如挨君最喜歡吃的“餛飩”。

餛飩就是一個雙音節(jié)語素。單獨(dú)的餛或者飩都不具備任何含義，只有組合在一起的時候才有真正的意義。類似的還有“琵琶”、“霹靂”等等。另外比如“沙發(fā)”這類詞，一旦拆分開其含義就完全脫離原來語素的，也被稱為雙音節(jié)語素。

最后一種情況就是多音節(jié)語素，主要是專有名詞還有擬聲詞，比如喜馬拉雅，動次打次。

我們再看回剛才的例子，當(dāng)機(jī)器知道語素之后，即便同音它也不會把“周五”識別成“州午”，因?yàn)楹笳邲]有任何意義，也不會把“吃飯”識別成“癡范”。

又有人要說了，現(xiàn)在很多網(wǎng)絡(luò)用語把吃飯說成次飯，我也能看懂啊。

如果說“次飯”你能理解那當(dāng)然普大喜奔啦，要是“鄒五意起次換吧”你都能理解的話，那對于語音識別團(tuán)隊(duì)來說可真是天大的喜訊了。然而真實(shí)情況是，視人視場景不同，識別準(zhǔn)確率永遠(yuǎn)是語音識別第一位的追求。

以上，根據(jù)語素等人類語言規(guī)律挑選同音字的工作，在語音識別中我們稱為語言模型。

語言模型的好基友

語音識別中還有一個模型，就是聲學(xué)模型。

聲學(xué)模型和語言模型是語音識別里的一對好基友。聲學(xué)模型負(fù)責(zé)挑選出與音頻匹配的所有字，語言模型負(fù)責(zé)從所有同音字里挑出符合原句意思的字。

聲學(xué)模型的原理說起來跟做牛肉火鍋有點(diǎn)像。

我們拿到一段語音，首先要把它切成若干小段，這個過程叫做分幀。

跟片好的牛肉會被分成匙仁、吊龍、匙柄一樣，片好的幀會根據(jù)聲學(xué)特征被計算機(jī)算法識別為一個個【狀態(tài)】，多個狀態(tài)又可以組合成音素。

音素是語音中的最小的單位，比如哦（o），只有一個音素；我（wo）則有兩個音素,w、o；吼（hou），則有三個音素,h、o、u。

有了音素就可以對應(yīng)找到匹配的字。

所以你可以這么理解，【狀態(tài)】就像生牛肉，還不是人類可以“食用”的模樣，需要用計算機(jī)算法來“涮一涮”成為音素才能成為一個【字】。

PS：如果你對【狀態(tài)】這個概念還不太理解，那也沒關(guān)系，因?yàn)榻鼛啄瓿霈F(xiàn)了一個叫CTC的新技術(shù)，建模單元放大到了音節(jié)或音素的單位，直接跳過了【狀態(tài)】這個概念，所以這個知識點(diǎn)以后都不會考了。

剛才提到語言模型為語音識別帶來的重生，并不是說在此之前聲學(xué)模型就已經(jīng)非常成熟了，相反，語音識別重生不久（到20世紀(jì)90年代）再次轉(zhuǎn)涼就是因?yàn)槁晫W(xué)模型太弱，缺少足夠的數(shù)據(jù)和算法。這一狀況直到互聯(lián)網(wǎng)的出現(xiàn)并且?guī)砹藰O其豐富的大數(shù)據(jù)后，才稍微得以改善。

可以這么說，語音識別的童年，是灰暗坎坷的。

語音識別是如何工作的

說完語音識別的兩個模型，現(xiàn)在我們可以大致梳理下語音識別的基本步驟，如下圖：

你通過微信發(fā)送了一段語音，對方因?yàn)樵陂_會無法聽，于是使用了語音轉(zhuǎn)文字的功能。語音識別系統(tǒng)先把這段語音分幀，然后提取每一幀的特征形成【狀態(tài)】，幾個狀態(tài)（通常為3個）又會組合成一個音素，音素又構(gòu)成了諸多同音字，接著語言模型從諸多同音字中挑選出可以使語義完整的字，最后一個個呈現(xiàn)在你面前。

雖然過程看著挺簡單的，但事實(shí)上，受各種語音語調(diào)、方言、說話環(huán)境、說話方式等等的影響，語音識別要提高準(zhǔn)確率非常非常非常…非 常 難。得虧現(xiàn)在有了大數(shù)據(jù)和深度學(xué)習(xí)，這兩個模型才得到了好好的訓(xùn)練，包括現(xiàn)在很多語音識別廠商都表示已經(jīng)可以實(shí)現(xiàn)97%的識別準(zhǔn)確率。

這里插播一段廣告，

網(wǎng)易人工智能對語音識別技術(shù)的研究開始于2014年，目前通過網(wǎng)易AI平臺已服務(wù)于網(wǎng)易游戲、有道詞典等產(chǎn)品。網(wǎng)易AI平臺語音識別技術(shù)的優(yōu)勢有：領(lǐng)先的中英文語音識別轉(zhuǎn)寫技術(shù)，中文轉(zhuǎn)寫準(zhǔn)確率可達(dá)97%以上；提供基于垂直行業(yè)語音模型進(jìn)行深度優(yōu)化訓(xùn)練，在游戲行業(yè)的語音識別準(zhǔn)確性保持業(yè)界頂尖水平；提供標(biāo)準(zhǔn)規(guī)范的SDK和API接口，接入迅速，使用便捷。

說了這么多，語音識別算是人工智能領(lǐng)域比較成熟的技術(shù)，但對于人類的遠(yuǎn)大愿景而言，這才只是起步，就像小嬰兒現(xiàn)在只能聽，接下來還要會說、會做、會想。不過有了深度學(xué)習(xí)之后，這一切現(xiàn)在看來似乎有了觸達(dá)的可能。