語音識別產品應用

　　語音識別作為打造良好交互體驗的重要前提，今年的發展可謂是持續火爆。在智能音箱市場，首先想到的就是Amazon的Echo。Echo作為將自然語音轉化為在線指令的設備，其效率之高無容置疑，并且可保持在線的自然環境中的自然語言識別。

　　Echo的核心技術在于它集成的智能語音助手Alexa。在2015年6月25日亞馬遜曾宣布，將開放智能語音硬件Echo的內置AI助手Alexa的語音技術，供第三方開發者免費使用。由此可見，亞馬遜向用戶呈現出來的不僅僅是技術上的領先，還有真正落地的產品，以及良好的產品體驗。

　　與此同時，國內語音識別領域也開始爭奪大戰。以科大訊飛聽見系列產品為例，自2015年發布以來，總用戶突破1000萬，應用于30余個行業。目前，已經形成了以聽見智能會議系統、訊（詢）問筆錄系統、聽見轉寫網站、錄音寶APP、聽見智能會議服務等以智能語音轉寫技術為核心的產品和服務體系。

　　語音識別技術瓶頸

　　從下圖可以看出，語音識別的誤字率呈明顯的下降趨勢。

　　然而，即使達到100%的準確率，僅限于輸入法功用的語音識別也無人機互動的意義，它還算不得真正的人工智能。

　　我們所期望的語音識別實質上是人機交互，大致上可以理解為人與機器之間無障礙溝通。要達到這種期望，光靠誤字率很低甚至為零的語音識別可能并不能做到，那么就需要有“大腦”的語義識別了，相對于語音識別，它可以通過人們的語氣、談話的內容等等判斷用戶說的話到底是什么意思，而不是簡單的一字不落的識別出所說的內容。比如說：小沈陽長得可真帥！在不同的語境下卻有著截然相反的意思。

　　從“傻白甜”的語音識別到“帶腦子”的語義識別，還有很長的路要走。

　　口音和噪聲

　　語音識別中最明顯的一個缺陷就是對口音和背景噪聲的處理。最直接的原因是大部分的訓練數據都是高信噪比、美式口音的英語。

　　上圖中可以看到有口音的情況下，人的錯誤率低于模型；從高信噪比到低信噪比，人與模型之間的錯誤率差距急劇擴大。

　　語義錯誤

　　實際上語音識別系統的目標并不是誤字率。人們更關心的是語義錯誤率。

　　舉個語義錯誤的例子，比如某人說“let’s meet up Tuesday”，但語音識別預測為“let’s meet up today”。我們也可能在單詞錯誤的情況下保持語義正確，比如語音識別器漏掉了“up”而預測為“let’s meet Tuesday”，這樣話語的語義是不變的。

　　將模型與人工進行比較時的重點是查找錯誤的本質，而不僅僅是將誤字率作為一個決定性的數字。

　　微軟研究人員將他們的人工級語音識別器的錯誤與人類進行過比較。他們發現的一個差異是該模型比人更頻繁地混淆“uh”和“uh huh”。而這兩條術語的語義大不相同：“uh”只是個填充詞，而“uh huh”是一個反向確認。這個模型和人出現了許多相同類型的錯誤。

　　單通道和多人會話

　　一個好的會話語音識別器必須能夠根據誰在說話對音頻進行劃分，還應該能弄清重疊的會話（聲源分離）來理解音頻。

　　一個人在一個有多個人說話的環境中的時候，能夠很容易的分辨出自己要與某人說話，并且能夠在同時與多個人交談。很明顯，目前的語音識別器并不能做到這一點。當多個人對著麥克風講話時，它可能直接就“懵”了。

　　上下文理解

　　實際生活中我們會使用許多其他的線索來輔助理解別人在說什么。

　　列舉幾個人類使用上下文而語音識別器沒有的情況：

　　歷史會話和討論過的話題；

　　說話人的視覺暗示，包括面部表情和嘴唇動作；

　　關于會話者的背景。

　　可以看到雖然目前語音識別技術的誤字率已經低于5%，但想從語音識別轉變成真正的語義識別，是仍然面臨著很多挑戰。