語音識別自半個世紀前誕生以來，一直處于不溫不火的狀態，直到 2009 年深度學習技術的長足發展才使得語音識別的精度大大提高，雖然還無法進行無限制領域、無限制人群的應用，但也在大多數場景中提供了一種便利高效的溝通方式。本篇文章將從技術和產業兩個角度來回顧一下語音識別發展的歷程和現狀，并分析一些未來趨勢，希望能幫助更多年輕技術人員了解語音行業，并能產生興趣投身于這個行業。

語音識別，通常稱為自動語音識別，英文是Automatic Speech Recognition，縮寫為 ASR，主要是將人類語音中的詞匯內容轉換為計算機可讀的輸入，一般都是可以理解的文本內容，也有可能是二進制編碼或者字符序列。但是，我們一般理解的語音識別其實都是狹義的語音轉文字的過程，簡稱語音轉文本識別（ Speech To Text, STT ）更合適，這樣就能與語音合成(Text To Speech, TTS )對應起來。

深度學習技術自 2009 年興起之后，已經取得了長足進步。語音識別的精度和速度取決于實際應用環境，但在安靜環境、標準口音、常見詞匯場景下的語音識別率已經超過 95%，意味著具備了與人類相仿的語言識別能力，而這也是語音識別技術當前發展比較火熱的原因。

語音識別的端到端方法主要是代價函數發生了變化，但神經網絡的模型結構并沒有太大變化。總體來說，端到端技術解決了輸入序列的長度遠大于輸出序列長度的問題。端到端技術主要分成兩類：一類是 CTC 方法，另一類是 Sequence-to-Sequence 方法。傳統語音識別 DNN-HMM 架構里的聲學模型，每一幀輸入都對應一個標簽類別，標簽需要反復的迭代來確保對齊更準確。

目前，主流語音識別框架還是由 3 個部分組成：聲學模型、語言模型和解碼器，有些框架也包括前端處理和后處理。隨著各種深度神經網絡以及端到端技術的興起，聲學模型是近幾年非常熱門的方向，業界都紛紛發布自己新的聲學模型結構，刷新各個數據庫的識別記錄。由于中文語音識別的復雜性，國內在聲學模型的研究進展相對更快一些，主流方向是更深更復雜的神經網絡技術融合端到端技術。

開源語音識別 Kaldi 是業界語音識別框架的基石。Kaldi 的作者 Daniel Povey 一直推崇的是 Chain 模型。該模型是一種類似于 CTC 的技術，建模單元相比于傳統的狀態要更粗顆粒一些，只有兩個狀態，一個狀態是 CD Phone，另一個是 CD Phone 的空白，訓練方法采用的是 Lattice-Free MMI 訓練。該模型結構可以采用低幀率的方式進行解碼，解碼幀率為傳統神經網絡聲學模型的三分之一，而準確率相比于傳統模型有非常顯著的提升。

語音識別這半個多世紀的產業歷程中，其中共有三個關鍵節點，兩個和技術有關，一個和應用有關。第一個關鍵節點是 1988 年的一篇博士論文，開發了第一個基于隱馬爾科夫模型（HMM）的語音識別系統—— Sphinx，當時實現這一系統的正是現在的著名投資人李開復。

從 1986 年到 2010 年，雖然混合高斯模型效果得到持續改善，而被應用到語音識別中，并且確實提升了語音識別的效果，但實際上語音識別已經遭遇了技術天花板，識別的準確率很難超過 90%。很多人可能還記得，在 1998 年前后 IBM、微軟都曾經推出和語音識別相關的軟件，但最終并未取得成功。

所有語音交互產品都是端到端打通的產品，如果每家廠商都從這些基礎技術來打造產品，那就每家都要建立自己云服務穩定，確保響應速度，適配自己所選擇的硬件平臺，逐項整合具體的內容（比如音樂、有聲讀物）。這從產品方或者解決方案商的視角來看是不可接受的。這時候就會催生相應的平臺服務商，它要同時解決技術、內容接入和工程細節等問題，最終達成試錯成本低、體驗卻足夠好的目標。

類比過去的 Android，語音交互的平臺提供商們其實面臨更大的挑戰，發展過程可能會更加的曲折。過去經常被提到的操作系統的概念在智能語音交互背景下事實上正被賦予新的內涵，它日益被分成兩個不同但必須緊密結合的部分。

這兩邊在操作上，屬性具有巨大差異。解決前者需要參與到傳統的產品生產制造鏈條中去，而解決后者則更像應用商店的開發者。這里面蘊含著巨大的挑戰和機遇。在過去功能型操作系統的打造過程中，國內的程序員們更多的是使用者的角色，但智能型操作系統雖然也可以參照其他，但這次必須自己來從頭打造完整的系統。（國外巨頭不管在中文相關的技術上還是內容整合上事實上都非常薄弱，不存在侵略國內市場的可能性）

人與數字世界的接口，在現在越來越統一于具體的產品形態（比如手機），但隨著智能型系統的出現，這種統一則會越來越統一于系統本身。作為結果這會帶來數據化程度的持續加深，我們越來越接近一個百分百數據化的世界。