（文章來源：最極客）
? ? ?? 目前，語音識別技術基本成型，處于較為成熟的狀態(tài)。例如在語音識別的Switchboard任務方面，最新的IBM已經(jīng)能將錯誤率控制在5.5%之下，有經(jīng)驗的轉寫人員在這個任務中可以達到4%之下。因此，這類安靜環(huán)境下的語音識別系統(tǒng)已經(jīng)近似于人類水平。

目前的進展多處于應用層面。語音合成技術被應用在更多領域，而且從原始的機器聲音已經(jīng)進化到能夠發(fā)出自然人的聲音的程度，甚至現(xiàn)在出現(xiàn)各種明星聲音的語音助手。在語音識別方面，市面上已經(jīng)出現(xiàn)了針對方言口音的語音軟件。在語義理解方面，聊天機器人正處在迅速進化的過程中，甚至能夠講笑話。在語音喚醒方面，智能音箱等產(chǎn)品大量出現(xiàn)。雖然在這些應用中，許多產(chǎn)品并沒有達到高層智能的水平，但也給語音識別技術指明了方向。

實際上，語音識別技術在發(fā)音規(guī)范且背景噪音可控的環(huán)境下，在很多年前就能夠進入應用階段。不少尖端系統(tǒng)在工程水平很高的情況下還可以做的更好，如早期的Siri及DARPA項目語音識別評測中的各種參賽系統(tǒng)。但在飛速進步的過程中，語音識別仍無法避免遇到某些瓶頸。

在強噪聲干擾的情況下，目前的語音識別系統(tǒng)還很難達到實用化要求。在自然發(fā)音、噪聲、口音等復雜條件下，語音識別的準確率明顯下降。此外，語音的訓練和測試用數(shù)據(jù)的匹配也并不十分契合。想要解決環(huán)境復雜的問題，除了高超的技術之外，聲學模型自適應等也是不錯的方式。對于匹配問題則可以更加偏向研究方向，對語音本質進行更為深入的理解。

例如在人類的聽覺系統(tǒng)中，存在一種“雞尾酒會效應”：人類在具有背景噪聲干擾的情況下，依然能夠將注意力集中在某一個人的談話上。可以將人類聽覺系統(tǒng)的這種功能賦予語音識別系統(tǒng)，但就目前的技術而言依然很難實現(xiàn)。同時，遠場識別也依然是個充滿挑戰(zhàn)性的問題。當前，語音識別的遠場錯誤率是近場的兩倍左右。因此，解決遠場及強噪聲干擾情況下的語音識別是當前的一個有待進一步研究的問題。

對于這個問題，目前的主要解決方法是語音識別和麥克風陣列相結合。通過陣列信號處理技術，增強多通道語音技術，而后利用深度學習的方法進行聲學建模。當然，這種方案有待于進步和優(yōu)化，并且要考慮多方面的問題。如怎樣將陣列信號處理技術和深度學習方法相結合，利用陣列信號處理的相關知識指導深度神經(jīng)網(wǎng)絡的結構設計，以便直接從多通道語音信號中學習多通道語音增強方法，而后和后端聲學模型聯(lián)合優(yōu)化等。

另外，個體發(fā)音以及用詞習慣都存在差異性，所以如何使得語音識別更加智能化也是一個問題。可以看到，語音識別已經(jīng)走到一個相對成熟的發(fā)展階段，未來也會在應用級市場普及，但在發(fā)展過程中仍然存在許多瓶頸。生物技術識別方式先進而便捷，但人們不免擔心其中所涉及到的隱私問題。

當然，目前語音識別技術并未大規(guī)模普及，但在那一天到來之前，人們需要彌補語音識別技術中存在的瓶頸。其實對于深度學習神經(jīng)網(wǎng)絡而言，一切都只是時間問題。足夠的語音數(shù)據(jù)加上足夠的訓練，語音識別技術的發(fā)展還是值得期待的。