首页 >
IBM中国研究中心 沈丽琴 博士 2000/09/13
直到今天，像人一样的机器人依然显得遥不可及，但作为机器人的耳朵，语音识别技术近几年有了许多突破性进展，终于从实验室走进了我们的生活。
首先，将隐马尔科夫模型引入语音识别是该领域的重要突破。它有效体现了语音信号的随机概率过程，它成熟的训练算法又为语音模型的建立提供了基础。至今，这仍是语音建模的主流方法。在随后的研究中，科学家们发现同样一个音，在它的上下文不同时，发音的特征不尽相同。为了更准确地描述这些变化，决策树被用来描述和记录上下文对语音模型的影响。另外，我们在听别人讲话时，并不一定听清了对方发出的每一个音，但根据谈话的主题和我们的语言知识背景，可以猜出那些没听清的音是什么，而且毫不影响我们的交流。这就是语言模型的功劳了。它帮助我们在听到前面的谈话内容后，猜测后面会说什么，特别是有同音词和近音词的时候，帮助我们消除歧义，确定正确的说话内容。IBM的科学家们发明了n元的统计语言模型，通过输入给计算机大量的文字资料，让它“学习”和“记忆”人们会怎么用词，组句。可是，语音识别需要的计算资源太大，没有新的突破它依然只能是实验室技术。特别是要听懂人们日常讲话，因为我们常用的词汇太多，有好几万，科学家们想出了先用快速匹配方法，用很小的计算量很快地找出与发音相似的候选词，然后在缩小的范围中，进行仔细计算，这显著提高了大词汇系统识别的速度。还有其他一系列不胜枚举的重大突破。IBM的许多科学家在这领域长期不懈的努力和获得的一百多项专利，确定了公司技术上的领先地位。另外值得一提的是，得益于这些年微处理器的速度加快，成本降低，语音识别才真正能够走入我们的生活。
创造先进的技术是根本，将技术用于生活和工作，服务于人类才是最终的目的。1997年，IBM公司推出了世界上第一个中文连续语音识别产品——ViaVoice4.0，终于突破了连续语音、大词汇量和非特定识别人的难关，并成功解决了汉语同音字多、有声调、口音复杂等问题，帮助人们从笨拙的键盘输入中解脱出来，因而被广泛认为是汉字输入的重要里程碑。这项技术对中国人的意义尤其重大，因为汉字的键盘输入对许多人来说都是很困难的。至今为止，IBM共有13种语言的语音识别产品。但是听写机只是一个开始，直到去年的ViaVoice巍巍世纪版，更有语音控制、语音上网、网上聊天等功能，让人们能真的轻松运用计算机。(IBM中国研究中心沈丽琴博士)
IBM在去年年底发布的电话语音识别技术可以使许多商家的服务更 周到，更多的电话用户受益。有了这项技术，各种信息查询、飞机订 票、旅馆预定等都可以实现自动化。利用IBM的语音识别技术通过电话 上网，用户只需说出你想得到的网上信息，机器就会自动识别，将你 的请求送到互联网上，并把返回的相关信息用语音合成技术回放给你， 为用户提供人性化的语音应答交互界面。这样，众多的电话用户就可 以享受到网上信息服务。
越来越多的掌上设备正慢慢成为许多人的生活和工作必备品，比 如手机、电子记事本，IBM的WorkPad等。这些小的设备或者没有键 盘，或者只有简单的数字键，输入和各种操作都十分不便。如果能用 人们觉得最自然的方式———语音进行控制，人们将更加青睐这些灵 巧的伴侣。IBM公司将已经在高端计算机上发展的语音技术进行简化， 抽取其中的核心技术，研制出用于这类低端设备的识别引擎，并在市 场中的某些掌上电脑上成功建立了实用的原型系统，证明了技术的可 行性。相信在不久的将来，人们完全可以用语音操作手机和各种掌上 设备。
为了让人与机器的交流更加自然，我们需要机器不仅能识别准用 户说的话，更要理解它，然后去执行相应的动作。比如，用户通过语 音订房，要求“订一套10月12日在某某酒店的单人房”。当用语音识 别技术识别出这句话后，机器还需要理解客户入住的时间是“10月 12日”，酒店是“某某酒店”，房型是“单人房”。然后将这些需求 送给系统才能完成预定。这是自然语言理解的技术。目前还不十分成 熟，但已初步使用。同时机器必须产生合适的回答把得到的信息（如 是否有房，价格等）反馈给用户，或提示用户需要进一步的信息（如 请用户提供离店日期等），这就是自然语言产生的技术。产生准确地 应答也是一项十分具有挑战性的技术。另外相关的技术还有，在许多 应用场合，需要说话人辨识技术，以便通过语音判断说话人是谁，免 去用户记忆难记的密码。提供更友好的系统与人的交互界面。
当然，语音识别本身也还没有达到完美，还有许多挑战等待着科 学家去一一攻破。比如对不同噪声环境的适应；两种或多种语言夹杂 使用的语音识别；或者特别随意的对话识别等等。可以看到，语音识 别技术将让我们体会到技术创新给人类带来的轻松和效率。
《光明日报》 2000/09/13
