（文章來源：AI銳見）

語音識別是Siri、Alexa和Google等智能手機的重要組成部分，但這些語音識別系統有一個很大的缺點，那就是會有相應的延遲，用戶必須等待Siri或其他虛擬助手來響應查詢，而且如果語速過快就有極大可能造成誤解。有延遲出現是因為用戶的語音以及從中獲取的數據必須從要手機傳輸到服務器，在那里進行分析后再發回。這可能需要從幾毫秒到幾秒的時間，如果數據包在過程中不小心失，則需要更長時間。

為什么不能直接在設備上進行語音識別呢？因為將語音轉換成毫秒級的文本需要相當大的計算能力，這不僅僅是聽一段聲音和寫一個單詞，而是逐字逐句地理解一個人在說什么以及涉及到意圖和整個語境。當然，手機其實是可以做到這一點的，但這并不會比把手機上的內容發送到云端快多少，而且會大量耗電。但隨著該領域的穩步發展，這一目標似乎已成為可能，谷歌就使得這一功能在Pixel上得到實現。

為實現這一轉變，Google團隊花了五年時間研究問題并簡化用于語音識別的AI系統。例如，舊版Gboard的聽寫軟件由三個獨立的組件來模擬音頻波形，將聲音與音素匹配，然后將這些音素組合成文字輸出，更新后的版本將所有這些工作集合到一個步驟中。

新模型還縮小了系統中被稱為“解碼器圖形”的部分，這個組件的功能類似于書中的索引，將音頻波形與書面文字相匹配。在Gboard的聽寫模型的舊版本中，這個解碼器圖形大小為2GB，對于設備上處理來說太大了。相比之下，新版本僅為80兆字節，縮小了25倍。

你只需要說出你的查詢，它會立刻被轉錄下來，并直接顯示。它聽到了你的聲音后會立刻響應，而不用等到你完成整個句子再去揣測你的意思。但目前它只在谷歌鍵盤應用程序Gboard中工作，只在Pixel上工作，而且它只適用于美式英語。

“考慮到行業趨勢，隨著專業硬件和算法改進的融合，我們希望這里介紹的技術可以很快用于更多語言和更廣泛的應用領域，”谷歌寫道。