語音識(shí)別，通常稱為自動(dòng)語音識(shí)別，主要是將人類語音中的詞匯內(nèi)容轉(zhuǎn)換為計(jì)算機(jī)可讀的輸入，也有可能是按鍵、二進(jìn)制編碼或者字符序列。但是，我們一般理解的語音識(shí)別其實(shí)都是狹義的語音轉(zhuǎn)文字的過程，簡稱語音轉(zhuǎn)文本識(shí)別，主要是識(shí)別和確認(rèn)發(fā)出語音的人而非其中所包含的內(nèi)容。

語音識(shí)別的目的就是讓機(jī)器聽懂人類口述的語言，包括了兩方面的含義：一是逐字逐句聽懂而不是轉(zhuǎn)化成書面的語言文字；二是對(duì)口述語言中所包含的命令或請(qǐng)求加以領(lǐng)會(huì)，做出正確回應(yīng)，而不僅僅只是拘泥于所有詞匯的正確轉(zhuǎn)換。

語音識(shí)別系統(tǒng)根據(jù)對(duì)輸入語音的限制分類，可以將識(shí)別系統(tǒng)分為三類：

①特定人語音識(shí)別系統(tǒng)，僅考慮對(duì)于專人的話音進(jìn)行識(shí)別。

②非特定人語音系統(tǒng)，識(shí)別的語音與人無關(guān)，通常要用大量不同人的語音數(shù)據(jù)庫對(duì)識(shí)別系統(tǒng)進(jìn)行學(xué)習(xí)。

③多人的識(shí)別系統(tǒng)，通常能識(shí)別一組人的語音，或者成為特定組語音識(shí)別系統(tǒng)，該系統(tǒng)僅要求對(duì)要識(shí)別的那組人的語音進(jìn)行訓(xùn)練。

根據(jù)從說話的方式考慮，也可以將識(shí)別系統(tǒng)分為三類：

①孤立詞語音識(shí)別系統(tǒng)，孤立詞識(shí)別系統(tǒng)要求輸入每個(gè)詞后要停頓。

②連接詞語音識(shí)別系統(tǒng)，連接詞輸入系統(tǒng)要求對(duì)每個(gè)詞都清楚發(fā)音，一些連音現(xiàn)象開始出現(xiàn)。

③連續(xù)語音識(shí)別系統(tǒng)，連續(xù)語音輸入是自然流利的連續(xù)語音輸入，大量連音和變音會(huì)出現(xiàn)。

在過去5-10年，隨著技術(shù)快速迭代，語音識(shí)別市場在我國得到飛快發(fā)展，目前處于深度神經(jīng)網(wǎng)絡(luò)階段。如今，語音識(shí)別主流廠商主要使用端到端的算法，在實(shí)驗(yàn)環(huán)境準(zhǔn)確率可高達(dá)99%以上，為推動(dòng)新基建發(fā)展，5G、人工智能、云計(jì)算等作為輔助核心基礎(chǔ)設(shè)施的核心技術(shù)得到進(jìn)一步加速發(fā)展，帶動(dòng)語音識(shí)別迎來迎來了更加廣闊的發(fā)展空間，智能家居、智能音箱、智能車載和智能硬件等等都得到很好的廣泛應(yīng)用。

語音識(shí)別主要趨于遠(yuǎn)場化和融合化的方向發(fā)展，但在遠(yuǎn)場可靠性還有很多難點(diǎn)沒有突破，比如多輪交互、多人噪雜等場景還有待突破，還有需求較為迫切的人聲分離等技術(shù)。新的技術(shù)應(yīng)該徹底解決這些問題，讓機(jī)器聽覺遠(yuǎn)超人類的感知能力。這不能僅僅只是算法的進(jìn)步，需要整個(gè)產(chǎn)業(yè)鏈的共同技術(shù)升級(jí)，包括更為先進(jìn)的傳感器和算力更強(qiáng)的芯片。

單從遠(yuǎn)場語音識(shí)別技術(shù)來看，仍然存在很多挑戰(zhàn)，包括：

回聲消除技術(shù)。由于喇叭非線性失真的存在，單純依靠信號(hào)處理手段很難將回聲消除干凈，這也阻礙了語音交互系統(tǒng)的推廣，現(xiàn)有的基于深度學(xué)習(xí)的回聲消除技術(shù)都沒有考慮相位信息，直接求取的是各個(gè)頻帶上的增益，能否利用深度學(xué)習(xí)將非線性失真進(jìn)行擬合，同時(shí)結(jié)合信號(hào)處理手段可能是一個(gè)好的方向。

噪聲下的語音識(shí)別仍有待突破。信號(hào)處理擅長處理線性問題，深度學(xué)習(xí)擅長處理非線性問題，而實(shí)際問題一定是線性和非線性的疊加，因此一定是兩者融合才有可能更好地解決噪聲下的語音識(shí)別問題。

語音識(shí)別的目的是讓機(jī)器可以理解人類，因此轉(zhuǎn)換成文字并不是最終的目的，如何將語音識(shí)別和語義理解結(jié)合起來可能是未來更為重要的一個(gè)方向。語音識(shí)別里的LSTM已經(jīng)考慮了語音的歷史時(shí)刻信息，但語義理解需要更多的歷史信息才能有幫助，因此如何將更多上下文會(huì)話信息傳遞給語音識(shí)別引擎是一個(gè)難題。

讓機(jī)器聽懂人類語言，僅靠聲音信息還不夠，“聲光電熱力磁”這些物理傳感手段，下一步必然都要融合在一起，只有這樣機(jī)器才能感知世界的真實(shí)信息，這是機(jī)器能夠?qū)W習(xí)人類知識(shí)的前提條件；而且，機(jī)器必然要超越人類的五官，能夠看到人類看不到的世界，聽到人類聽不到的世界。

未來，相信在國家政策的強(qiáng)力扶持下，能夠加速在垂直行業(yè)的滲透和布局，也相信在供應(yīng)商和開發(fā)者共同努力下，語音識(shí)別技術(shù)能夠更好地與其他語音交互技術(shù)及軟件功能融合，為消費(fèi)者提供更優(yōu)質(zhì)的體驗(yàn)。

文章整合自：旺龍ITLONG、eepw、個(gè)人圖書館

審核編輯：鄢孟繁