“语音识别”作为一场解放双手的革命，几十年来一直备受推崇，但这场革命总是处在不温不火的状态，从电脑到手机，再到如今的车机，“语言识别”一直是叫好不叫座。这样“温水煮青蛙”的状态什么时候才能改变？“语音识别”将是下一个互联网的入口？它会掀起车机领域的变革吗？带着这些疑问，笔者采访了专注人机交互语音识别的企业——车音网首席执行官王力劭。
语音识别——车机革命从这里兴起
数据采集 提高用户感受度
“没有任何一种引擎可以说把方言语音识别处理好，这是由人们采集的语音量来决定的。”
车音网一直致力于人机交互的语音识别系统的研发和推广，而车音网提出的自然语言识别概念一直为外界所津津乐道。何为自然语言识别？通俗的来说就是可以识别人们的日常语言习惯，你讲普通话也好，讲方言也好，系统都能识别出你要表达的意思，这就是在最自然的状态下达到了人机交互的目的。
方言的语音识别到底准还是不准呢？如何提升用户体验度？王力劭解释说，语音识别还是机器学习技术的一种，因为计算机没有联想能力，它只能按你告诉它的规则去做。所以识别不是完全靠程序来实现的，还要靠采集到的大量同一句话的不同波形，建立庞大的语音信息资源库来实现。在普通话语系里有各种各样的样本，当采集的某一个样本跟之前的声音很像，可能落在之前采集的样本里，系统就能识别这句话。当采集到十万、百万、千万个人说话的样本后，覆盖面就非常广了。作为这方面的先行者，王总又补充道，采集的样本必须分布合理，根据地域、年龄段、性别将其区分。所以采集的样本越多，机器识别的就越准确。
在方言识别方面，车音网把方言按语系来划分，如广东话、上海话、闽南话等。但是同一语系不同地区的人方言也会有很大的区别，为此王总打了一个比方，就像同样讲英语，北美地区的、非洲地区的和亚洲地区的讲起来的感觉也是不尽相同，所以在采集数据时就要求覆盖面广，一个语系内不同地区的方言都要采集到。而车音网在英语识别方面也采集了很多地区英语口音的样本，这些样本主要来自于东南亚地区。所以王总不无感慨的说：“没有一种引擎可以说自己的方言语音识别处理的好，更多的还要依赖于研究团队采集的语音量。”
十年磨一剑 成就技术壁垒
“这三轮数据的采集就是现在车音网的核心，一个公司低下头一直这样踏踏实实地干不是件容易的事。”
上千万的语音样本采集听起来就是一项持久而艰辛的工作，在这个过程中车音网花费了多少时间、多少精力，这些都是他人不知道的。王力劭说，国外最早出现的语音识别是IBM ViaVoice ，就是一个人对着机器不停地说话，训练机器的次数越多，机器的识别率越高。但是这种方式只针对特定的人，换一个人就不行了。特定的人不需要采集语样，只需要不停地训练就可以了，机器运算相对来说也简单多了。可以说，IBM ViaVoice所带来的不用双手的输入方式，是一场解放双手的革命。车音网做语音识别是从99年开始的，是中国最早一批研究非特定人语音识别技术的企业，那时他们在做模拟推演时发现，即使能够采集来数据，机器也没有那么大的计算能力，服务器性能低下，根本无法进行系统开发，所以决定投入大量的精力进行语音采集。
语音的采集也不是一件容易的事，当时车音网想到的就是最原始的方法——雇人，全国各地找代表收集语音样本。他们制定了一套采集标准，有明确的区间划分，然后整理了一份大约50句话的脚本。这50句话也是经过了一番研究确定的，正常人在读这50句话时，可以把声音的链接方式、发声规律、特征点概括出来。这个苦力活一直干到2004年，从今天的眼光来看，当年做这件事是一个非常明智的决定。这项工作依靠融资和风投耗费了几千万的资金，但是获得的语音量是非常广的，并且都是按照车音网自己的规范来的。而这一点，如今的多数创业公司已经很难做到了，资金消耗动辄上亿，风投也会更加谨慎评估了。所以说采集的数据也成为车音网语音识别的一个壁垒。
2001年，车音网开始跟多家电信运营商合作，负责语音点歌、语音查询等，并且上线了一系列电子系统，和一些城市的114也展开了合作，这样他们就可以收集到大量的8K信道的数据，8K数据是最基本电话通道的数据。现在人们很容易收集到16K的声音，如微信等软件，但16k的声音和电话里的不同，所以现在一些公司缺乏8K数据采集的机会， 8K的数据是稀缺的。
