語(yǔ)音識(shí)別技術(shù)的發(fā)展及難點(diǎn)分析

語(yǔ)音識(shí)別技術(shù)的發(fā)展

與機(jī)器進(jìn)行語(yǔ)音交流，讓它聽明白你在說什么。語(yǔ)音識(shí)別技術(shù)將人類這一曾經(jīng)的夢(mèng)想變成了現(xiàn)實(shí)。語(yǔ)音識(shí)別就好比“機(jī)器的聽覺系統(tǒng)”，該技術(shù)讓機(jī)器通過識(shí)別和理解，把語(yǔ)音信號(hào)轉(zhuǎn)變?yōu)橄鄳?yīng)的文本或命令。

在1952年的貝爾研究所，Davis等人研制了世界上第一個(gè)能識(shí)別10個(gè)英文數(shù)字發(fā)音的實(shí)驗(yàn)系統(tǒng)。1960年英國(guó)的Denes等人研制了第一個(gè)計(jì)算機(jī)語(yǔ)音識(shí)別系統(tǒng)。

大規(guī)模的語(yǔ)音識(shí)別研究始于上世紀(jì)70年代以后，并在小詞匯量、孤立詞的識(shí)別方面取得了實(shí)質(zhì)性的進(jìn)展。上世紀(jì)80年代以后，語(yǔ)音識(shí)別研究的重點(diǎn)逐漸轉(zhuǎn)向大詞匯量、非特定人連續(xù)語(yǔ)音識(shí)別。

同時(shí)，語(yǔ)音識(shí)別在研究思路上也發(fā)生了重大變化，由傳統(tǒng)的基于標(biāo)準(zhǔn)模板匹配的技術(shù)思路開始轉(zhuǎn)向基于統(tǒng)計(jì)模型的技術(shù)思路。此外，業(yè)內(nèi)有專家再次提出了將神經(jīng)網(wǎng)絡(luò)技術(shù)引入語(yǔ)音識(shí)別問題的技術(shù)思路。

上世紀(jì)90年代以后，在語(yǔ)音識(shí)別的系統(tǒng)框架方面并沒有什么重大突破。但是，在語(yǔ)音識(shí)別技術(shù)的應(yīng)用及產(chǎn)品化方面出現(xiàn)了很大的進(jìn)展。比如，DARPA是在上世界70年代由美國(guó)國(guó)防部遠(yuǎn)景研究計(jì)劃局資助的一項(xiàng)計(jì)劃，旨在支持語(yǔ)言理解系統(tǒng)的研究開發(fā)工作。進(jìn)入上世紀(jì)90年代，DARPA計(jì)劃仍在持續(xù)進(jìn)行中，其研究重點(diǎn)已轉(zhuǎn)向識(shí)別裝置中的自然語(yǔ)言處理部分，識(shí)別任務(wù)設(shè)定為“航空旅行信息檢索”。

我國(guó)的語(yǔ)音識(shí)別研究起始于1958年，由中國(guó)科學(xué)院聲學(xué)所利用電子管電路識(shí)別10個(gè)元音。由于當(dāng)時(shí)條件的限制，中國(guó)的語(yǔ)音識(shí)別研究工作一直處于緩慢發(fā)展的階段。直至1973年，中國(guó)科學(xué)院聲學(xué)所開始了計(jì)算機(jī)語(yǔ)音識(shí)別。

進(jìn)入上世紀(jì)80年代以來，隨著計(jì)算機(jī)應(yīng)用技術(shù)在我國(guó)逐漸普及和應(yīng)用以及數(shù)字信號(hào)技術(shù)的進(jìn)一步發(fā)展，國(guó)內(nèi)許多單位具備了研究語(yǔ)音技術(shù)的基本條件。與此同時(shí)，國(guó)際上語(yǔ)音識(shí)別技術(shù)在經(jīng)過了多年的沉寂之后重又成為研究的熱點(diǎn)。在這種形式下，國(guó)內(nèi)許多單位紛紛投入到這項(xiàng)研究工作中去。

1986年，語(yǔ)音識(shí)別作為智能計(jì)算機(jī)系統(tǒng)研究的一個(gè)重要組成部分而被專門列為研究課題。在“863”計(jì)劃的支持下，中國(guó)開始組織語(yǔ)音識(shí)別技術(shù)的研究，并決定了每隔兩年召開一次語(yǔ)音識(shí)別的專題會(huì)議。自此，我國(guó)語(yǔ)音識(shí)別技術(shù)進(jìn)入了一個(gè)新的發(fā)展階段。

自2009年以來，借助機(jī)器學(xué)習(xí)領(lǐng)域深度學(xué)習(xí)研究的發(fā)展以及大數(shù)據(jù)語(yǔ)料的積累，語(yǔ)音識(shí)別技術(shù)得到突飛猛進(jìn)的發(fā)展。

將機(jī)器學(xué)習(xí)領(lǐng)域深度學(xué)習(xí)研究引入到語(yǔ)音識(shí)別聲學(xué)模型訓(xùn)練，使用帶RBM預(yù)訓(xùn)練的多層神經(jīng)網(wǎng)絡(luò)，提高了聲學(xué)模型的準(zhǔn)確率。在此方面，微軟公司的研究人員率先取得了突破性進(jìn)展，他們使用深層神經(jīng)網(wǎng)絡(luò)模型（DNN）后，語(yǔ)音識(shí)別錯(cuò)誤率降低了30%，是近20年來語(yǔ)音識(shí)別技術(shù)方面最快的進(jìn)步。

2009年前后，大多主流的語(yǔ)音識(shí)別解碼器已經(jīng)采用基于有限狀態(tài)機(jī)（WFST）的解碼網(wǎng)絡(luò)，該解碼網(wǎng)絡(luò)可以把語(yǔ)言模型、詞典和聲學(xué)共享音字集統(tǒng)一集成為一個(gè)大的解碼網(wǎng)絡(luò)，提高了解碼的速度，為語(yǔ)音識(shí)別的實(shí)時(shí)應(yīng)用提供了基礎(chǔ)。

隨著互聯(lián)網(wǎng)的快速發(fā)展，以及手機(jī)等移動(dòng)終端的普及應(yīng)用，可以從多個(gè)渠道獲取大量文本或語(yǔ)音方面的語(yǔ)料，這為語(yǔ)音識(shí)別中的語(yǔ)言模型和聲學(xué)模型的訓(xùn)練提供了豐富的資源，使得構(gòu)建通用大規(guī)模語(yǔ)言模型和聲學(xué)模型成為可能。

在語(yǔ)音識(shí)別中，訓(xùn)練數(shù)據(jù)的匹配和豐富性是推動(dòng)系統(tǒng)性能提升的最重要因素之一，但是語(yǔ)料的標(biāo)注和分析需要長(zhǎng)期的積累和沉淀，隨著大數(shù)據(jù)時(shí)代的來臨，大規(guī)模語(yǔ)料資源的積累將提到戰(zhàn)略高度。

現(xiàn)如今，語(yǔ)音識(shí)別在移動(dòng)終端上的應(yīng)用最為火熱，語(yǔ)音對(duì)話機(jī)器人、語(yǔ)音助手、互動(dòng)工具等層出不窮，許多互聯(lián)網(wǎng)公司紛紛投入人力、物力和財(cái)力展開此方面的研究和應(yīng)用，目的是通過語(yǔ)音交互的新穎和便利模式迅速占領(lǐng)客戶群。（雨田整理） 相關(guān)產(chǎn)品 siri

Siri技術(shù)來源于美國(guó)國(guó)防部高級(jí)研究規(guī)劃局所公布的CALO計(jì)劃：一個(gè)讓軍方簡(jiǎn)化處理一些繁復(fù)庶務(wù)，并具學(xué)習(xí)、組織以及認(rèn)知能力的數(shù)字助理，其所衍生出來的民用版軟件Siri虛擬個(gè)人助理。

Siri成立于2007年，最初是以文字聊天服務(wù)為主，隨后通過與語(yǔ)音識(shí)別廠商N(yùn)uance合作，Siri實(shí)現(xiàn)了語(yǔ)音識(shí)別功能。2010年，Siri被蘋果以2億美金收購(gòu)。

Siri成為蘋果公司在其產(chǎn)品iPhone和iPad Air上應(yīng)用的一項(xiàng)語(yǔ)音控制功能。Siri可以令iPhone和iPad Air變身為一臺(tái)智能化機(jī)器人。Siri支持自然語(yǔ)言輸入，并且可以調(diào)用系統(tǒng)自帶的天氣預(yù)報(bào)、日程安排、搜索資料等應(yīng)用，還能夠不斷學(xué)習(xí)新的聲音和語(yǔ)調(diào)，提供對(duì)話式的應(yīng)答。

Google Now

Google Now是谷歌隨安卓4.1系統(tǒng)同時(shí)推出的一款應(yīng)用，它可以了解用戶的各種習(xí)慣和正在進(jìn)行的動(dòng)作，并利用所了解的資料來為用戶提供相關(guān)信息。

今年3月24日，谷歌宣布Google Now語(yǔ)音服務(wù)正式登陸Windows和Mac桌面版Chrome瀏覽器。

Google Now的應(yīng)用會(huì)更加方便用戶收取電子郵件，當(dāng)你接收到新郵件時(shí)，它就會(huì)自動(dòng)彈出以便你查看。Google Now還推出了步行和行車?yán)锍逃涗浌δ埽@個(gè)計(jì)步器功能可通過Android設(shè)備的傳感器來統(tǒng)計(jì)用戶每月行駛的里程，包括步行和騎自行車的路程。

此外，Google Now增加了一些旅游和娛樂特色功能，包括：汽車租賃、演唱會(huì)門票和通勤共享方面的卡片；公共交通和電視節(jié)目的卡片進(jìn)行改善，這些卡片現(xiàn)在可以聽音識(shí)別音樂和節(jié)目信息；用戶可以為新媒體節(jié)目的開播設(shè)定搜索提醒，同時(shí)還可以接收實(shí)時(shí)NCAA（美國(guó)大學(xué)體育協(xié)會(huì)）橄欖球比分。

百度語(yǔ)音

百度語(yǔ)音一般指百度語(yǔ)音搜索，是百度公司為廣大互聯(lián)網(wǎng)用戶提供的一種基于語(yǔ)音的搜索服務(wù)，用戶可以使用多種客戶端發(fā)起語(yǔ)音搜索，服務(wù)器端根據(jù)用戶的發(fā)出的語(yǔ)音請(qǐng)求，進(jìn)行語(yǔ)音識(shí)別然后將檢索結(jié)果反饋給用戶。

百度語(yǔ)音搜索不僅提供一般的通用語(yǔ)音搜索服務(wù)，還有針對(duì)地圖用戶制定的特色搜索服務(wù)，后續(xù)還會(huì)有更多的個(gè)性化搜索和識(shí)別服務(wù)出現(xiàn)。

目前百度語(yǔ)音搜索以移動(dòng)客戶端為主要平臺(tái)，內(nèi)嵌于百度的其他產(chǎn)品中，比如掌上百度，百度手機(jī)地圖等，用戶可以在使用這些客戶端產(chǎn)品的同時(shí)體驗(yàn)語(yǔ)音搜索，支持全部主流的手機(jī)操作系統(tǒng)。

微軟Cortana

Cortana是Windows Phone平臺(tái)下的虛擬語(yǔ)音助手，由游戲《光暈》中Cortana的聲優(yōu)Jen Taylor配音，Cortana中文版又名“微軟小娜”。

微軟對(duì)Cortana的描述為“你手機(jī)上的私人助手，為你提供設(shè)置日歷項(xiàng)、建議、進(jìn)程等更多幫助”，它能夠和你之間進(jìn)行交互，并且盡可能的模擬人的說話語(yǔ)氣和思考方式跟你進(jìn)行交流。此外圓形的圖標(biāo)按鈕會(huì)隨著你手機(jī)的主題進(jìn)行調(diào)整，如果說你設(shè)置了綠色的主題，那么Cortana就是綠色的圖標(biāo)。

此外，你能夠通過開始屏幕或者設(shè)備上的搜索按鈕來呼出Cortana，Cortana采用一問一答的方式，它只有在你咨詢它的時(shí)候才會(huì)顯示足夠多的信息。

語(yǔ)音識(shí)別技術(shù)難點(diǎn)

語(yǔ)音識(shí)別成為爭(zhēng)奪焦點(diǎn)

據(jù)悉，全球范圍人工智能公司多專攻深度學(xué)習(xí)方向，而我國(guó)人工智能方向的200家左右的創(chuàng)業(yè)公司有超過70%的公司主攻圖像或語(yǔ)音識(shí)別這兩個(gè)分類。全球都有哪些公司在布局語(yǔ)音識(shí)別？他們的發(fā)展情況又如何？

其實(shí)，早在計(jì)算機(jī)發(fā)明之前，自動(dòng)語(yǔ)音識(shí)別的設(shè)想就已經(jīng)被提上了議事日程，早期的聲碼器可被視作語(yǔ)音識(shí)別及合成的雛形。最早的基于電子計(jì)算機(jī)的語(yǔ)音識(shí)別系統(tǒng)是由AT&T貝爾實(shí)驗(yàn)室開發(fā)的Audrey語(yǔ)音識(shí)別系統(tǒng)，它能夠識(shí)別10個(gè)英文數(shù)字。到1950年代末，倫敦學(xué)院（Colledge of London）的Denes已經(jīng)將語(yǔ)法概率加入語(yǔ)音識(shí)別中。

1960年代，人工神經(jīng)網(wǎng)絡(luò)被引入了語(yǔ)音識(shí)別。這一時(shí)代的兩大突破是線性預(yù)測(cè)編碼Linear PredicTIve Coding（LPC），及動(dòng)態(tài)時(shí)間規(guī)整Dynamic TIme Warp技術(shù)。語(yǔ)音識(shí)別技術(shù)最重大的突破是隱含馬爾科夫模型Hidden Markov Model的應(yīng)用。從Baum提出相關(guān)數(shù)學(xué)推理，經(jīng)過Rabiner等人的研究，卡內(nèi)基梅隆大學(xué)的李開復(fù)最終實(shí)現(xiàn)了第一個(gè)基于隱馬爾科夫模型的大詞匯量語(yǔ)音識(shí)別系統(tǒng)Sphinx。

蘋果Siri

許多人認(rèn)識(shí)語(yǔ)音識(shí)別可能還得歸功于蘋果鼎鼎大名的語(yǔ)音助手Siri。2011年蘋果將語(yǔ)音識(shí)別技術(shù)融入到iPhone 4S中并發(fā)布了Siri語(yǔ)音助理，不過Siri并不是蘋果研發(fā)的技術(shù)，而是收購(gòu)成立于2007年的Siri Inc.這家公司獲得的技術(shù)。在iPhone4s發(fā)布以后，Siri的體驗(yàn)并不理想，遭到了吐槽。因此，2013年蘋果又收購(gòu)了Novauris Technologies。Novauris是一種可識(shí)別整個(gè)短語(yǔ)的語(yǔ)音識(shí)別技術(shù)，這種技術(shù)并非簡(jiǎn)單識(shí)別單個(gè)詞句，而是試圖利用超過2.45億個(gè)短語(yǔ)的識(shí)別輔助理解上下文，這讓Siri的功能進(jìn)一步完善。

不過Siri并沒有因?yàn)槭召?gòu)Novauris變得完美，2016年蘋果又收購(gòu)了開發(fā)的人工智能軟件，能夠幫助計(jì)算機(jī)與用戶進(jìn)行更為自然的對(duì)話英國(guó)語(yǔ)音技術(shù)初創(chuàng)公司VocalIQ。隨后，蘋果還收購(gòu)了美國(guó)圣地牙哥AI技術(shù)公司EmoTIent，接收其臉部表情分析與情緒辨別技術(shù)。據(jù)悉，EmoTIent開發(fā)的情緒引擎可讀取人們的面部表情并且預(yù)測(cè)其情緒狀態(tài)。

谷歌Google Now

與蘋果Siri類似，谷歌的Google Now知名度也比較高。不過相比蘋果谷歌在語(yǔ)音識(shí)別領(lǐng)域的動(dòng)作稍顯遲緩。2011年谷歌才出手收購(gòu)語(yǔ)音通信公司SayNow和語(yǔ)音合成公司Phonetic Arts。SayNow可以把語(yǔ)音通信、點(diǎn)對(duì)點(diǎn)對(duì)話、以及群組通話和Facebook、Twitter、MySpace、Android和iPhone等等應(yīng)用等整合在一起，而Phonetic Arts可以把錄制的語(yǔ)音對(duì)話轉(zhuǎn)化成語(yǔ)音庫(kù)，然后把這些聲音結(jié)合到一起，從而生成聽上去非常逼真的人聲對(duì)話。

2012年的Google I/O開發(fā)者大會(huì)上，Google Now第一次亮相。

2013年谷歌又以超過3000萬美元收購(gòu)了新聞閱讀應(yīng)用開發(fā)商Wavii。Wavii擅長(zhǎng)“自然語(yǔ)言處理”技術(shù)，可以通過掃描互聯(lián)網(wǎng)發(fā)現(xiàn)新聞，并直接給出一句話摘要及鏈接。之后，谷歌又收購(gòu)了SR Tech Group的多項(xiàng)語(yǔ)音識(shí)別相關(guān)的專利，這些技術(shù)和專利谷歌也很快應(yīng)用到市場(chǎng)，比如YouTube已提供標(biāo)題自動(dòng)語(yǔ)音轉(zhuǎn)錄支持，Google Glass使用了語(yǔ)音控制技術(shù)，Android也整合了語(yǔ)音識(shí)別技術(shù)等等，Google Now更是擁有了完整的語(yǔ)音識(shí)別引擎。

谷歌可能出于戰(zhàn)略布局方面的考慮，2015年入資了中國(guó)的出門問問，這是一款以語(yǔ)音導(dǎo)航為主的公司，最近也發(fā)布了智能手表，出門問問也有國(guó)內(nèi)著名聲學(xué)器件廠商歌爾聲學(xué)的背景。

微軟Cortana小冰

微軟語(yǔ)音識(shí)別最吸引眼球的就是Cortana和小冰。Cortana是微軟在機(jī)器學(xué)習(xí)和人工智能領(lǐng)域方面的嘗試，Cortana可以記錄用戶的行為和使用習(xí)慣，利用云計(jì)算、搜索引擎和“非結(jié)構(gòu)化數(shù)據(jù)”分析，讀取和學(xué)習(xí)包括手機(jī)中的圖片、視頻、電子郵件等數(shù)據(jù)理解用戶的語(yǔ)義和語(yǔ)境，從而實(shí)現(xiàn)人機(jī)交互。

微軟小冰是微軟亞洲研究院2014年發(fā)布的人工智能機(jī)器人，微軟小冰除了智能對(duì)話之外，還兼具群提醒、百科、天氣、星座、笑話、交通指南、餐飲點(diǎn)評(píng)等實(shí)用技能。

除了Cortana和微軟小冰，Skype Translator，可以為英語(yǔ)、西班牙語(yǔ)、漢語(yǔ)、意大利語(yǔ)用戶提供實(shí)時(shí)翻譯服務(wù)。

亞馬遜

Amazon的語(yǔ)音技術(shù)起步于2011年收購(gòu)語(yǔ)音識(shí)別公司Yap，Yap成立于2006年，主要提供語(yǔ)音轉(zhuǎn)換文本的服務(wù)。2012年Amazon又收購(gòu)了語(yǔ)音技術(shù)公司Evi，繼續(xù)加強(qiáng)語(yǔ)音識(shí)別在商品搜索方面的應(yīng)用，Evi也曾經(jīng)應(yīng)用過Nuance的語(yǔ)音識(shí)別技術(shù)。2013年，Amazon繼續(xù)收購(gòu)Ivona Software，Ivona是一家波蘭公司，主要做文本語(yǔ)音轉(zhuǎn)換，其技術(shù)已被應(yīng)用在Kindle Fire的文本至語(yǔ)音轉(zhuǎn)換功能、語(yǔ)音命令和Explore by Touch應(yīng)用之中，Amazon智能音箱Echo也是利用了這項(xiàng)技術(shù)。

Facebook

Facebook在2013年收購(gòu)了創(chuàng)業(yè)型語(yǔ)音識(shí)別公司Mobile Technologies，其產(chǎn)品Jibbigo允許用戶在25種語(yǔ)言中進(jìn)行選擇，使用其中一種語(yǔ)言進(jìn)行語(yǔ)音片段錄制或文本輸入，然后將翻譯顯示在屏幕上，同時(shí)根據(jù)選擇的語(yǔ)言大聲朗讀出來。這一技術(shù)使得Jibbigo成為出國(guó)旅游的常用工具，很好地代替了常用語(yǔ)手冊(cè)。

之后，F(xiàn)acebook繼續(xù)收購(gòu)了語(yǔ)音交互解決方案服務(wù)商Wit.ai。Wit.ai的解決方案允許用戶直接通過語(yǔ)音來控制移動(dòng)應(yīng)用程序、穿戴設(shè)備和機(jī)器人，以及幾乎任何智能設(shè)備。Facebook的希望將這種技術(shù)應(yīng)用到定向廣告之中，將技術(shù)和自己的商業(yè)模式緊密結(jié)合在一起。

傳統(tǒng)語(yǔ)音識(shí)別行業(yè)貴族Nuance

除了以上介紹的大家熟知的科技巨頭的語(yǔ)音識(shí)別發(fā)展情況，傳統(tǒng)語(yǔ)音識(shí)別行業(yè)貴族Nuance也值得了解。Nuance曾經(jīng)在語(yǔ)音領(lǐng)域一統(tǒng)江湖，世界上有超過80%的語(yǔ)音識(shí)別都用過Nuance識(shí)別引擎技術(shù)，其語(yǔ)音產(chǎn)品可以支持超過50種語(yǔ)言，在全球擁有超過20億用戶，幾乎壟斷了金融和電信行業(yè)?，F(xiàn)在，Nuance依舊是全球最大的語(yǔ)音技術(shù)公司，掌握著全球最多的語(yǔ)音技術(shù)專利。蘋果語(yǔ)音助手Siri、三星語(yǔ)音助手S-Voice、各大航空公司和頂級(jí)銀行的自動(dòng)呼叫中心，剛開始都是采用他們的語(yǔ)音識(shí)別引擎技術(shù)。

不過由于Nuance有點(diǎn)過于自大，現(xiàn)在的Nuance已經(jīng)不如當(dāng)年了。

國(guó)外其他語(yǔ)音識(shí)別公司

2013年英特爾收購(gòu)了西班牙的語(yǔ)音識(shí)別技術(shù)公司Indisys，同年雅虎收購(gòu)了自然語(yǔ)言處理技術(shù)初創(chuàng)公司SkyPhrase。而美國(guó)最大的有線電視公司Comcast也開始推出自己的語(yǔ)音識(shí)別交互系統(tǒng)。Comcast希望利用語(yǔ)音識(shí)別技術(shù)讓用戶通過語(yǔ)音就可以更自由控制電視，并完成一些遙控器無法完成的事情。

國(guó)內(nèi)語(yǔ)音識(shí)別廠商

科大訊飛

科大訊飛成立于1999年底，依靠中科大的語(yǔ)音處理技術(shù)以及國(guó)家的大力扶持，很快就走上了正軌?？拼笥嶏w2008年掛牌上市，目前市值接近500億，根據(jù)2014年語(yǔ)音產(chǎn)業(yè)聯(lián)盟的數(shù)據(jù)調(diào)查顯示，科大訊飛占據(jù)了超過60%的市場(chǎng)份額，絕對(duì)是語(yǔ)音技術(shù)的國(guó)內(nèi)龍頭企業(yè)。

提到科大訊飛，大家可能想到的都是語(yǔ)音識(shí)別，但其實(shí)它最大的收益來源是教育，特別是在2013年左右，收購(gòu)了很多家語(yǔ)音評(píng)測(cè)公司，包括啟明科技等，對(duì)教育市場(chǎng)形成了壟斷，經(jīng)過一系列的收購(gòu)后，目前所有省份的口語(yǔ)評(píng)測(cè)用的都是科大訊飛的引擎，由于其占據(jù)了考試的制高點(diǎn)，所有的學(xué)校及家長(zhǎng)都愿意為其買單。

百度語(yǔ)音

百度語(yǔ)音很早就被確立為戰(zhàn)略方向，2010年與中科院聲學(xué)所合作研發(fā)語(yǔ)音識(shí)別技術(shù)，但是市場(chǎng)發(fā)展相對(duì)緩慢。直到2014年，百度重新梳理了戰(zhàn)略，請(qǐng)來了人工智能領(lǐng)域的泰斗級(jí)大師吳恩達(dá)，正式組建了語(yǔ)音團(tuán)隊(duì)，專門研究語(yǔ)音相關(guān)技術(shù)，由于有百度強(qiáng)大的資金支持，到目前為止收獲頗豐，斬獲了近13%的市場(chǎng)份額，其技術(shù)實(shí)力已經(jīng)可以和擁有十多年技術(shù)與經(jīng)驗(yàn)積累的科大訊飛相提并論。

捷通和信利

捷通華聲憑借的是清華技術(shù)，成立初期力邀中科院聲學(xué)所的呂士楠老先生加入，奠定了語(yǔ)音合成的基礎(chǔ)。中科信利則完全依托于中科院聲學(xué)所，其成立初期技術(shù)實(shí)力極為雄厚，不僅為國(guó)內(nèi)語(yǔ)音識(shí)別行業(yè)培養(yǎng)了大量人才，而且也在行業(yè)領(lǐng)域，特別是軍工領(lǐng)域發(fā)揮著至關(guān)重要的作用。

中科院聲學(xué)所培養(yǎng)的這些人才，對(duì)于國(guó)內(nèi)語(yǔ)音識(shí)別行業(yè)的發(fā)展極為重要，姑且稱之為聲學(xué)系，但是相對(duì)于市場(chǎng)來說，這兩家公司已經(jīng)落后了科大訊飛一大段距離。中科信利由于還有行業(yè)市場(chǎng)背景，目前基本上不再參與市場(chǎng)運(yùn)作，而捷通華聲最近也因?yàn)槟洗箅娮?ldquo;嬌嬌”機(jī)器人的造假事件被推上了風(fēng)口浪尖，著實(shí)是一個(gè)非常負(fù)面的影響。

思必馳

2009年前后，DNN被用于語(yǔ)音識(shí)別領(lǐng)域，語(yǔ)音識(shí)別率得到大幅提升，識(shí)別率突破90%，達(dá)到商用標(biāo)準(zhǔn)，這極大的推動(dòng)了語(yǔ)音識(shí)別領(lǐng)域的發(fā)展，這幾年內(nèi)又先后成立許多語(yǔ)音識(shí)別相關(guān)的創(chuàng)業(yè)公司。

思必馳2007年成立，創(chuàng)始人大部分來源于劍橋團(tuán)隊(duì)，其技術(shù)有一定的國(guó)外基礎(chǔ)，當(dāng)時(shí)公司主要側(cè)重于語(yǔ)音評(píng)測(cè)，也就是教育，但經(jīng)過多年的發(fā)展，雖然占有了一些市場(chǎng)，但在科大訊飛把持著考試制高點(diǎn)的情況下，也很難得到突破。

于是在2014年的時(shí)候，思必馳痛下決心將負(fù)責(zé)教育行業(yè)的部門剝離，以9000萬賣給了網(wǎng)龍，自己則把精力收縮專注智能硬件和移動(dòng)互聯(lián)網(wǎng)，最近更是集中精力聚焦車載語(yǔ)音助手，推出了“蘿卜”，可市場(chǎng)反響非常一般。

云知聲

借著2011年蘋果Siri的宣傳勢(shì)頭，2012年云知聲成立。云知聲團(tuán)隊(duì)主要來源于盛大研究院，湊巧的是CEO和CTO也是中科大畢業(yè)，與科大訊飛可以說是師兄弟。但語(yǔ)音識(shí)別技術(shù)則更多的源于中科院自動(dòng)化所，其語(yǔ)音識(shí)別技術(shù)有一定的獨(dú)到之處，有一小段時(shí)期內(nèi)語(yǔ)音識(shí)別率甚至超越科大訊飛。因此也受到了資本的熱捧，B輪融資達(dá)到3億，主要瞄準(zhǔn)智能家居市場(chǎng)。但至今已經(jīng)成立了3年多，聽到的更多是宣傳，市場(chǎng)發(fā)展較為緩慢，B2B市場(chǎng)始終不見起色，B2C市場(chǎng)也很少聽到實(shí)際應(yīng)用，估計(jì)目前還處在燒錢階段。

出門問問

出門問問成立于2012年，其CEO曾經(jīng)在谷歌工作，在拿到紅杉資本和真格基金的天使投資之后，從谷歌辭職創(chuàng)辦了上海羽扇智信息科技有限公司，并立志打造下一代移動(dòng)語(yǔ)音搜索產(chǎn)品————“出門問問”。

出門問問的成功之處便是蘋果APP的榜單排名，但是筆者不知道有那么多內(nèi)置地圖的情況下，為啥還要下載這個(gè)軟件，顯然有時(shí)候比直接查找地圖還要麻煩。出門問問同樣也具有較強(qiáng)的融資能力，2015年拿到了Google的C輪融資，融資額累計(jì)已經(jīng)7500萬美元。出門問問主要瞄準(zhǔn)可穿戴市場(chǎng)，最近自己也推出了智能手表等產(chǎn)品，但也是雷聲大，雨點(diǎn)小，沒見得其智能手表的銷量如何。

國(guó)內(nèi)其他的語(yǔ)音識(shí)別公司

語(yǔ)音識(shí)別的門檻并不高，因此國(guó)內(nèi)各大公司也逐漸加入進(jìn)來。搜狗開始采用的是云知聲的語(yǔ)音識(shí)別引擎，但很快就搭建起自己的語(yǔ)音識(shí)別引擎，主要應(yīng)用于搜狗輸入法，效果也還可以。

騰訊當(dāng)然不會(huì)落后，微信也建立了自己語(yǔ)音識(shí)別引擎，用于將語(yǔ)音轉(zhuǎn)換為文字，但這個(gè)做的還是有點(diǎn)差距。

阿里，愛奇藝，360，樂視等等也都在搭建自己的語(yǔ)音識(shí)別引擎，但這些大公司更多的是自研自用，基本上技術(shù)上泛善可陳，業(yè)界也沒有什么影響力。

當(dāng)然，除了以上介紹的產(chǎn)業(yè)界的語(yǔ)音識(shí)別公司，學(xué)術(shù)界Cambridge的HTK工具對(duì)學(xué)術(shù)界研究推動(dòng)巨大，還有CMU、SRI、MIT、RWTH、ATR等同樣推動(dòng)語(yǔ)音識(shí)別技術(shù)的發(fā)展。

語(yǔ)音識(shí)別技術(shù)原理是什么？

對(duì)于語(yǔ)音識(shí)別技術(shù)，相信大家或多或少都已經(jīng)有了接觸和應(yīng)用，上面我們也已經(jīng)介紹了國(guó)內(nèi)外主要的語(yǔ)音識(shí)別技術(shù)公司的情況。但你仍然可能想知道，語(yǔ)音識(shí)別技術(shù)的原理是什么？那么接下來就為大家做介紹。

語(yǔ)音識(shí)別技術(shù)

語(yǔ)音識(shí)別技術(shù)就是讓機(jī)器通過識(shí)別和理解過程把語(yǔ)音信號(hào)轉(zhuǎn)變?yōu)橄鄳?yīng)的文本或命令的技術(shù)。語(yǔ)音識(shí)別的目的就是讓機(jī)器賦予人的聽覺特性，聽懂人說什么，并作出相應(yīng)的動(dòng)作。目前大多數(shù)語(yǔ)音識(shí)別技術(shù)是基于統(tǒng)計(jì)模式的，從語(yǔ)音產(chǎn)生機(jī)理來看，語(yǔ)音識(shí)別可以分為語(yǔ)音層和語(yǔ)言層兩部分。

語(yǔ)音識(shí)別本質(zhì)上是一種模式識(shí)別的過程，未知語(yǔ)音的模式與已知語(yǔ)音的參考模式逐一進(jìn)行比較，最佳匹配的參考模式被作為識(shí)別結(jié)果。

當(dāng)今語(yǔ)音識(shí)別技術(shù)的主流算法，主要有基于動(dòng)態(tài)時(shí)間規(guī)整（DTW）算法、基于非參數(shù)模型的矢量量化（VQ）方法、基于參數(shù)模型的隱馬爾可夫模型（HMM）的方法、基于人工神經(jīng)網(wǎng)絡(luò)（ANN）和支持向量機(jī)等語(yǔ)音識(shí)別方法。

語(yǔ)音識(shí)別基本框圖

語(yǔ)音識(shí)別分類：

根據(jù)對(duì)說話人的依賴程度，分為：

（1）特定人語(yǔ)音識(shí)別（SD）：只能辨認(rèn)特定使用者的語(yǔ)音，訓(xùn)練→使用。

（2）非特定人語(yǔ)音識(shí)別（SI）：可辨認(rèn)任何人的語(yǔ)音，無須訓(xùn)練。

根據(jù)對(duì)說話方式的要求，分為：

（1）孤立詞識(shí)別：每次只能識(shí)別單個(gè)詞匯。

（2）連續(xù)語(yǔ)音識(shí)別：用者以正常語(yǔ)速說話，即可識(shí)別其中的語(yǔ)句。

語(yǔ)音識(shí)別系統(tǒng)

語(yǔ)音識(shí)別系統(tǒng)的模型通常由聲學(xué)模型和語(yǔ)言模型兩部分組成，分別對(duì)應(yīng)于語(yǔ)音到音節(jié)概率的計(jì)算和音節(jié)到字概率的計(jì)算。

Sphinx是由美國(guó)卡內(nèi)基梅隆大學(xué)開發(fā)的大詞匯量、非特定人、連續(xù)英語(yǔ)語(yǔ)音識(shí)別系統(tǒng)。一個(gè)連續(xù)語(yǔ)音識(shí)別系統(tǒng)大致可分為四個(gè)部分：特征提取，聲學(xué)模型訓(xùn)練，語(yǔ)言模型訓(xùn)練和解碼器。

（1）預(yù)處理模塊

對(duì)輸入的原始語(yǔ)音信號(hào)進(jìn)行處理，濾除掉其中的不重要的信息以及背景噪聲，并進(jìn)行語(yǔ)音信號(hào)的端點(diǎn)檢測(cè)（找出語(yǔ)音信號(hào)的始末）、語(yǔ)音分幀（近似認(rèn)為在10-30ms內(nèi)是語(yǔ)音信號(hào)是短時(shí)平穩(wěn)的，將語(yǔ)音信號(hào)分割為一段一段進(jìn)行分析）以及預(yù)加重（提升高頻部分）等處理。

（2）特征提取

去除語(yǔ)音信號(hào)中對(duì)于語(yǔ)音識(shí)別無用的冗余信息，保留能夠反映語(yǔ)音本質(zhì)特征的信息，并用一定的形式表示出來。也就是提取出反映語(yǔ)音信號(hào)特征的關(guān)鍵特征參數(shù)形成特征矢量序列，以便用于后續(xù)處理。

目前的較常用的提取特征的方法還是比較多的，不過這些提取方法都是由頻譜衍生出來的。

（3）聲學(xué)模型訓(xùn)練

根據(jù)訓(xùn)練語(yǔ)音庫(kù)的特征參數(shù)訓(xùn)練出聲學(xué)模型參數(shù)。在識(shí)別時(shí)可以將待識(shí)別的語(yǔ)音的特征參數(shù)同聲學(xué)模型進(jìn)行匹配，得到識(shí)別結(jié)果。

目前的主流語(yǔ)音識(shí)別系統(tǒng)多采用隱馬爾可夫模型HMM進(jìn)行聲學(xué)模型建模。

（4）語(yǔ)言模型訓(xùn)練

語(yǔ)言模型是用來計(jì)算一個(gè)句子出現(xiàn)概率的概率模型。它主要用于決定哪個(gè)詞序列的可能性更大，或者在出現(xiàn)了幾個(gè)詞的情況下預(yù)測(cè)下一個(gè)即將出現(xiàn)的詞語(yǔ)的內(nèi)容。換一個(gè)說法說，語(yǔ)言模型是用來約束單詞搜索的。它定義了哪些詞能跟在上一個(gè)已經(jīng)識(shí)別的詞的后面（匹配是一個(gè)順序的處理過程），這樣就可以為匹配過程排除一些不可能的單詞。

語(yǔ)言建模能夠有效的結(jié)合漢語(yǔ)語(yǔ)法和語(yǔ)義的知識(shí)，描述詞之間的內(nèi)在關(guān)系，從而提高識(shí)別率，減少搜索范圍。語(yǔ)言模型分為三個(gè)層次：字典知識(shí)，語(yǔ)法知識(shí)，句法知識(shí)。

對(duì)訓(xùn)練文本數(shù)據(jù)庫(kù)進(jìn)行語(yǔ)法、語(yǔ)義分析，經(jīng)過基于統(tǒng)計(jì)模型訓(xùn)練得到語(yǔ)言模型。語(yǔ)言建模方法主要有基于規(guī)則模型和基于統(tǒng)計(jì)模型兩種方法。

（5）語(yǔ)音解碼和搜索算法

解碼器：即指語(yǔ)音技術(shù)中的識(shí)別過程。針對(duì)輸入的語(yǔ)音信號(hào)，根據(jù)己經(jīng)訓(xùn)練好的HMM聲學(xué)模型、語(yǔ)言模型及字典建立一個(gè)識(shí)別網(wǎng)絡(luò)，根據(jù)搜索算法在該網(wǎng)絡(luò)中尋找最佳的一條路徑，這個(gè)路徑就是能夠以最大概率輸出該語(yǔ)音信號(hào)的詞串，這樣就確定這個(gè)語(yǔ)音樣本所包含的文字了。所以解碼操作即指搜索算法：是指在解碼端通過搜索技術(shù)尋找最優(yōu)詞串的方法。

連續(xù)語(yǔ)音識(shí)別中的搜索，就是尋找一個(gè)詞模型序列以描述輸入語(yǔ)音信號(hào)，從而得到詞解碼序列。搜索所依據(jù)的是對(duì)公式中的聲學(xué)模型打分和語(yǔ)言模型打分。在實(shí)際使用中，往往要依據(jù)經(jīng)驗(yàn)給語(yǔ)言模型加上一個(gè)高權(quán)重，并設(shè)置一個(gè)長(zhǎng)詞懲罰分?jǐn)?shù)。當(dāng)今的主流解碼技術(shù)都是基于Viterbi搜索算法的，Sphinx也是。

語(yǔ)音識(shí)別技術(shù)的難點(diǎn)

說話人的差異

不同說話人：發(fā)音器官，口音，說話風(fēng)格

同一說話人：不同時(shí)間，不同狀態(tài)

噪聲影響

背景噪聲

傳輸信道，麥克風(fēng)頻響

魯棒性技術(shù)

區(qū)分性訓(xùn)練

特征補(bǔ)償和模型補(bǔ)償

語(yǔ)音識(shí)別的具體應(yīng)用

命令詞系統(tǒng)

識(shí)別語(yǔ)法網(wǎng)絡(luò)相對(duì)受限，對(duì)用戶要求較嚴(yán)格

菜單導(dǎo)航，語(yǔ)音撥號(hào)，車載導(dǎo)航，數(shù)字字母識(shí)別等等

智能交互系統(tǒng)

對(duì)用戶要求較為寬松，需要識(shí)別和其他領(lǐng)域技術(shù)的結(jié)合

呼叫路由，POI語(yǔ)音模糊查詢，關(guān)鍵詞檢出

大詞匯量連續(xù)語(yǔ)音識(shí)別系統(tǒng)

海量詞條，覆蓋面廣，保證正確率的同時(shí)實(shí)時(shí)性較差

音頻轉(zhuǎn)寫

結(jié)合互聯(lián)網(wǎng)的語(yǔ)音搜索

實(shí)現(xiàn)語(yǔ)音到文本，語(yǔ)音到語(yǔ)音的搜索