智能手機的超性能語音識別技術(shù)

當(dāng)語音識別技術(shù)應(yīng)用到計算機桌面的時候，這看起來似乎是一個好主意。但是，對于大多數(shù)人來說，語音識別還不能取代鍵盤和鼠標(biāo)。現(xiàn)在，語音技術(shù)正用于一個全新的環(huán)境：手機。語音識別技術(shù)在手機中的應(yīng)用將進(jìn)一步推動這種技術(shù)向新的方向發(fā)展和應(yīng)用。這是語音識別技術(shù)在臺式電腦應(yīng)用中從來沒有涉足的方向。

　　IBM今年將紀(jì)念其創(chuàng)建100周年。IBM在60年代初期創(chuàng)建了一個名為“Shoebox”的試驗性的語音識別系統(tǒng)。這個系統(tǒng)解決了口語算法問題。語音識別技術(shù)是在50年代作為一項早期的技術(shù)第一次出現(xiàn)的，當(dāng)時主要是由于好奇。在60年代初，IBM的“Shoebox”設(shè)備能夠識別出16個口語單詞并且能夠回答簡單的數(shù)學(xué)問題，如“3 + 4 =?”。

　　Dragon Systems在80年代初為DOS計算機推出的DragonDictate可能是第一個語音識別應(yīng)用程序。這個應(yīng)用程序只能識別單個單詞，每次只說一個單詞。隨著時間的推移，這個應(yīng)用程序已經(jīng)發(fā)展成為名為“Dragon NaturallySpeaking”(目前是第11個版本，由Nuance通訊公司所有)的產(chǎn)品。這個應(yīng)用程序能夠翻譯以正常的會話語音和速度讀出的文本。

　　語音識別技術(shù)在臺式電腦中的應(yīng)用有兩個制約因素。第一，為了使這個應(yīng)用程序以更高的準(zhǔn)確性工作，這個應(yīng)用程序必須要進(jìn)行訓(xùn)練以便識別用戶的語音特征。Windows Vista和Windows 7操作系統(tǒng)中的本地語音轉(zhuǎn)換文本技術(shù)和Dragon NaturallySpeaking等第三方產(chǎn)品仍然都需要一個用戶訓(xùn)練期才能使用。

　　第二個制約因素是鍵盤的流行程度。大多數(shù)人已經(jīng)習(xí)慣于鍵盤打字而不是講話，因此，語音控制面臨Dvorak鍵盤布局同樣的應(yīng)用障礙。當(dāng)簡單的老式QWERTY鍵盤供貨充足并且工作的很好的時候，為什么要學(xué)習(xí)使用Dvorak鍵盤呢?

　　微軟TellMe團隊是負(fù)責(zé)為多媒體環(huán)境開發(fā)語音識別技術(shù)的部門。TellMe團隊高級產(chǎn)品經(jīng)理Abhi Rele指出，在臺式電腦環(huán)境，用戶有方便的人機交流模式，如鍵盤和鼠標(biāo)。因此，語音的使用主要是針對語音愛好者的。

　　語音控制的計算更廣泛的應(yīng)用需要兩件事情：更好的方便的應(yīng)用和主要使用語音的地方。手機正是很長時間以來一直在增長的這種地方。

　　Nuance負(fù)責(zé)產(chǎn)品管理和營銷的副總裁Matt Revis解釋說，臺式電腦和移動環(huán)境的區(qū)別是這樣的：臺式電腦是一個固定的環(huán)境，重點完全在于臺式電腦的使用情況。因此，臺式電腦的語音技術(shù)主要執(zhí)行如下任務(wù)：支持辦公應(yīng)用程序、網(wǎng)絡(luò)瀏覽、通訊等。在移動方面，語音更多地用于支持各種生活方式方面：移動中的專業(yè)人員、戶外的有趣活動、免提電話等等。

　　Gartner分析師Tuong Nguyen贊同這個觀點：語音在移動環(huán)境中更有意義。他說，從使用的角度看，掌上設(shè)備的語音識別功能價值更大。它增加了用戶友好的、方便的輸入方式。

　　Nguyen補充說，如果不用語音技術(shù)說出一個簡單的說明語句，而是翻動許多菜單或者努力地在小顯示屏鍵盤上進(jìn)行輸入，語音識別的價值就顯現(xiàn)出來了。隨著觸摸屏設(shè)備(沒有物理鍵盤)應(yīng)用的增長，語音識別技術(shù)將用來增強數(shù)據(jù)輸入和輸出。語音識別還支持免提要求或者法律要求。

　　在移動設(shè)備方面

　　因為移動設(shè)備一般僅支持臺式電腦的一部分存儲和處理功能，語音處理需要一些時間才能以基本的形式出現(xiàn)在手機中。

　　語音處理Springer手冊解釋了手機在2000年代初的情況。盡管那時還有一些局限性，但是，手機經(jīng)過編程之后能夠識別逐個數(shù)字的撥號語音，在某種程度上還能識別人的名字。主要問題是內(nèi)存，因此，大多數(shù)手機一次只能識別10個數(shù)字或者名字。但是，這些作者指出的另一個問題是這個功能使用的比較少，可能是因為手機廠商在這方面的營銷很糟糕。

　　隨著手機的增加內(nèi)存和增強處理能力，普通手機的識別能力也增強了。三星電子在2005年發(fā)布的售價99美元的SCH-p-207型手機增加了語音至文本的聽寫功能和語音撥號功能。隨著內(nèi)存達(dá)到數(shù)百MB和存儲容量達(dá)到數(shù)GB，目前這一代智能手機很少受到限制。

　　另一個關(guān)鍵的進(jìn)步是網(wǎng)絡(luò)速度。速度更快的無線網(wǎng)絡(luò)浪潮抬高了許多大船，包括最新一代的語音處理技術(shù)。速度更快的網(wǎng)絡(luò)能夠把語音處理任務(wù)從網(wǎng)絡(luò)遷移到遠(yuǎn)程服務(wù)器。

　　谷歌語音搜索產(chǎn)品經(jīng)理Amir Mane解釋了速度更快的網(wǎng)絡(luò)是如何幫助谷歌語音應(yīng)用程序的。他說，由于所有繁重的處理任務(wù)都是由谷歌服務(wù)器在網(wǎng)絡(luò)上處理的，我們減少了掌上設(shè)備計算能力的限制。

　　目前的應(yīng)用程序

　　手機語音識別技術(shù)目前的狀態(tài)不僅僅局限于語音撥號。語音啟動的功能實際上就包括語音撥號。這是手機上出現(xiàn)的第一個語音識別功能。目前，甚至許多低端手機都有這個功能，盡管這個功能處理手機電話簿中一些不常用的名字的時稍差一些。

　　Gartner分析師Nguyen指出，比較新的一代語音功能是更開放的。不用編程執(zhí)行某些功能的具體的語音指令，應(yīng)用程序可識別語音并且執(zhí)行適當(dāng)?shù)男袆?。更高端的、更強大的設(shè)備使這些應(yīng)用更可行。換句話說，不僅僅是能夠使用這個短語“呼叫888-555-1212”撥打一個電話號碼，用戶還可以說“呼叫媽媽”或者“給我媽媽打電話”。

　　谷歌語音搜索擁有比以前的語音識別技術(shù)更少的限制，因為所有的繁重任務(wù)都是由網(wǎng)絡(luò)服務(wù)器完成的。這使谷歌語音搜索等語音驅(qū)動的應(yīng)用程序更可行。例如，如果你說“創(chuàng)戰(zhàn)紀(jì)電影時間”，你會看到一個網(wǎng)頁列出地區(qū)編號或者位置。這個應(yīng)用程序不僅能夠識別出這個短語的意思，而且還能提供你的手機(你當(dāng)前的位置)和網(wǎng)站(上映時間)的信息。

　　這個應(yīng)用程序還非常熟悉英語，不用進(jìn)行訓(xùn)練就能自動分辨出一些詞匯的差別。如果我說“摩特里褲(Motley Crue)樂隊”，這個應(yīng)用程序甚至能在搜索詞匯方便使用這個樂隊的獨特的拼寫，盡管它會漏掉變音符號。搜索“Motley's Crew”，你會得到一個喜劇片。

　　這就是說谷歌語音識別的限制明顯地表明將使你進(jìn)一步脫離主流的英語。外國人的名字是沒有幫助的。語音識別應(yīng)用程序的另一個問題是環(huán)境的噪音。移動用戶受環(huán)境噪音的影響通常比臺式電腦用戶多。Nuance公司的Revis稱，在充滿噪音的戶外環(huán)境中，語音識別的準(zhǔn)確性是一個問題。

　　自從2005年三星的那款手機推出以來，聽寫功能已經(jīng)取得了長足的進(jìn)步。由Dragon NaturallySpeaking驅(qū)動的iPhone的Dragon聽寫功能允許用戶聽寫從備忘錄、電子郵件到Twitter更新等一切內(nèi)容。用于電子郵件的Dragon軟件為黑莓設(shè)備提供了類似的功能。

　　對于Android手機來說，Nuance提供了FlexT9軟件。這個軟件把Dragon聽寫功能與三種類型的觸摸屏輸入方式結(jié)合在了一起。還有一個Handcent短信應(yīng)用程序。這個應(yīng)用程序集成了Android本地語音識別技術(shù)以幫助你用語音發(fā)短信。

　　文本之間的翻譯目前已經(jīng)推出多年(如通過知名的Babel Fish網(wǎng)站進(jìn)行翻譯)。同聲翻譯功能現(xiàn)在還沒有，不過，這種軟件很快會推出。例如，用于iPhone的Jibbigo軟件可翻譯單詞、短語和合理的簡單句子，讓雙方交替地講話。