@陳宗周

     《圣經(jīng)》中記載著這樣的傳說，遠(yuǎn)古人類都講一種語言,，他們希望建造一座通往天堂的高塔,，這就是通天塔，也叫巴別塔（Tower of Babel）,。為了阻止人類的計(jì)劃,，上帝讓人類說不同的語言，分成不同的民族,，在語言上無法自由溝通，巴別塔計(jì)劃由此告終,。

      傳說有點(diǎn)悲涼,，卻反映人類一直存在的美好夢(mèng)想。重建巴別塔,，也成了人類語言溝通和共識(shí)達(dá)成的象征和代名詞?，F(xiàn)在，AI讓人類的夢(mèng)想一步步走向?qū)崿F(xiàn),。

弗雷德里克·賈里尼克

歷史的探索

      讓人類拆掉語言的樊籬,，實(shí)現(xiàn)無障礙溝通，這項(xiàng)偉大的AI工程有三塊重要基石：語音識(shí)別,、自然語言理解,、語音合成。三塊基石是三大類技術(shù),，分別解決人類語言交流中三個(gè)問題：聽清楚別人說什么,、 理解別人說什么、根據(jù)聽到和理解的去回答別人,。

      語音識(shí)別,，主要解決“聽清楚別人說什么” 這個(gè)難題，這是AI中的重要技術(shù)領(lǐng)域,。近年來,，由于深度學(xué)習(xí)技術(shù)的應(yīng)用,，語音識(shí)別取得了長(zhǎng)足進(jìn)步。

      1952年,，貝爾實(shí)驗(yàn)室的K·H·戴維斯（K.H.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，英國人彼得·迪恩斯（Peter Denes）等研制了第一個(gè)計(jì)算機(jī)語音識(shí)別系統(tǒng),。但從上世紀(jì)50年代到70年代,，語音識(shí)別研究走了彎路，那就是簡(jiǎn)單地想電腦模擬人腦,，認(rèn)為必須先讓機(jī)器理解自然語言,。在當(dāng)時(shí)計(jì)算機(jī)能力受限的情況下，這樣的研究鮮有進(jìn)展,。

      直到1970年后,，統(tǒng)計(jì)語言學(xué)的出現(xiàn)打破了沉寂。領(lǐng)軍人物是IBM沃森實(shí)驗(yàn)室的弗雷德里克·賈里尼克（Frederick Jelinek）,。

      賈里尼克用兩個(gè)隱（含）馬爾可夫模型（Hidden Markov Model）——聲學(xué)模型和語言模型來清楚概括語音識(shí)別,。這個(gè)框架至今對(duì)語言處理有著深遠(yuǎn)影響。

      1999年,，國際聲學(xué),、語音與信號(hào)處理國際會(huì)議（ICASSP）在鳳凰城召開，早已當(dāng)選美國工程院院士的賈里尼克在大會(huì)上做了一個(gè)報(bào)告,，題目是《從水門事件到莫尼卡·萊溫斯基》,。這兩件事和語音都有聯(lián)系，而且兩件事的時(shí)間跨度和語音識(shí)別都同樣很長(zhǎng),。隱馬爾可夫模型處理語音也是從1972年開始,，一直到賈里尼克作報(bào)告時(shí)還在進(jìn)行。隱馬爾可夫模型處理語音,，一直持續(xù)到賈里尼克作報(bào)告時(shí)還在進(jìn)行,，而且還將延續(xù)下去。

劍橋語音的黃金十年

      1984年,，美國國家標(biāo)準(zhǔn)及技術(shù)研究所（NIST）和DARPA決定出資開展語音識(shí)別評(píng)測(cè)標(biāo)準(zhǔn)的研究,，希望能科學(xué)評(píng)估各種語音識(shí)別系統(tǒng)的性能。這件事影響了語音識(shí)別歷史,。

      德州儀器公司（TI）,、麻省理工學(xué)院（MIT）和SRI合作構(gòu)建了第一個(gè)聲學(xué)-音素連續(xù)語音語料庫，并制定了數(shù)據(jù)采集標(biāo)準(zhǔn),，成為世界第一個(gè)語音評(píng)測(cè)平臺(tái),。這一被稱為TIMIT的數(shù)據(jù)庫應(yīng)用至今，語音識(shí)別研究者們有了評(píng)測(cè)算法的標(biāo)準(zhǔn)數(shù)據(jù)集。NIST舉辦的語音識(shí)別評(píng)測(cè)全球競(jìng)賽由此開始,。

      語音識(shí)別所研究的數(shù)據(jù)類型歷經(jīng)幾次升級(jí),，由最早的孤立詞語音發(fā)展到自然連續(xù)語音。然后,，選取朗讀“華爾街雜志”（Wall Street Journal）的語音錄成標(biāo)準(zhǔn)數(shù)據(jù)庫,。這個(gè)數(shù)據(jù)集的詞匯量大約為5000到20 000， “大詞匯連續(xù)語音識(shí)別”就始于此,。上世紀(jì)90年代中期以后,，廣播新聞這樣自發(fā)產(chǎn)生的連續(xù)語音、電話對(duì)話語音,、豐富的語音文本,、多語種語音等等也不斷加入評(píng)測(cè)，NIST大賽越來越具有挑戰(zhàn)性,。

    大賽1988年開始,，1992年擴(kuò)大到美國之外，成為全球大賽,，劍橋大學(xué)等非美國機(jī)構(gòu),，在那一年加入。1993年,，劍橋大學(xué)奪取冠軍,。一戰(zhàn)成名，劍橋語音成為全球語音識(shí)別界關(guān)注的焦點(diǎn),。

      從1989年起,，劍橋大學(xué)工程系機(jī)器智能實(shí)驗(yàn)室研究組就在史蒂夫·楊（Steve Young）教授的主持下開發(fā) “隱馬爾可夫模型工具包”（Hidden markov model Tool Kit, HTK）。HTK軟件包不是簡(jiǎn)單的語音識(shí)別系統(tǒng),，而是完整的研究平臺(tái)。在這平臺(tái)上,，研究者可以方便地試驗(yàn)各種新式算法,，搭建不同的語音識(shí)別系統(tǒng)。這樣,，HTK很快就成為了語音識(shí)別研究事實(shí)上的標(biāo)準(zhǔn),。而擁有平臺(tái)的劍橋語音研究人員，近水樓臺(tái)先得月,。

      于是,，劍橋大學(xué)語音識(shí)別研究在大賽中連續(xù)十年取得優(yōu)異成績(jī)，許多影響深遠(yuǎn)的語音識(shí)別技術(shù)陸續(xù)在劍橋產(chǎn)生,，并成為后來主流經(jīng)典算法,，這些成就轟動(dòng)了全世界，被稱為劍橋語音的黃金十年。

踏上商業(yè)化征程

      語音識(shí)別也逐漸開始商業(yè)化,。1995年,，IBM開發(fā)出離散詞匯聽寫軟件，也就是后來的語音識(shí)別軟件Via Voice的前身,。IBM當(dāng)時(shí)將語音識(shí)別率從70%提升到90%,，同時(shí)識(shí)別詞庫的規(guī)模從幾百單詞上升到幾萬個(gè)，語音識(shí)別從實(shí)驗(yàn)室走向?qū)嶋H應(yīng)用,。1997年,，IBM推出了世界上第一個(gè)中文連續(xù)語音識(shí)別產(chǎn)品——Via Voice 4.0。該軟件成功突破連續(xù)語音,、大詞匯量,、非特定人的難關(guān)，據(jù)稱解決了漢語同音字多,、有聲調(diào),、口音復(fù)雜等問題，可以幫助人們從鍵盤輸入中解脫出來,，IBM認(rèn)為這是漢字輸入的重要里程碑,。

      不過，中文版的Via Voice4.0剛推出,，我就滿懷希望地試用了這個(gè)軟件,，但感到很失望，遠(yuǎn)沒有達(dá)到解放雙手的愿望,，使人感到實(shí)用的語音識(shí)別系統(tǒng)還在路上,。當(dāng)時(shí)，我并不知道,，語音識(shí)別的大師們?cè)诖藥啄昵耙呀?jīng)紛紛離開了IBM,。

      劍橋大學(xué)的HTK語音開發(fā)平臺(tái)也開始商業(yè)化，被微軟收購,。后來微軟重新把HTK核心技術(shù)的使用權(quán)送還給劍橋大學(xué),。

      語音識(shí)別專家、數(shù)據(jù)魔方智慧科技CEO張晴晴博士這樣描述當(dāng)時(shí)的情況：“深度學(xué)習(xí)之前,，做語音識(shí)別門檻是很高的,。語音識(shí)別涉及到信號(hào)處理、語音\語言建模,、發(fā)音字典,、解碼、后處理等等,，每個(gè)模塊都足夠一個(gè)博士研究好幾年,?！?/span>

      在這樣的研究環(huán)境下，掌握核心算法的公司很容易形成技術(shù)壟斷,。1992年創(chuàng)立的美國語音巨頭Nuance,，2005年在納斯達(dá)克上市，一直深耕統(tǒng)計(jì)方法的語音技術(shù),，擁有大量的核心算法和數(shù)千件專利,。蘋果Siri采用了他們的語音技術(shù)后，Nuance公司在語音識(shí)別方面的技術(shù)實(shí)力也浮出水面,。手機(jī),、家電、汽車等人機(jī)語音交互產(chǎn)品中,，大量嵌入他們的語音識(shí)別系統(tǒng),，客戶都是蘋果、三星這樣的知名廠商,。

      Nuance擅長(zhǎng)于利用自己在語音處理方面的知識(shí)產(chǎn)權(quán)打擊競(jìng)爭(zhēng)對(duì)手,。用訴訟手段削弱具有創(chuàng)新力的對(duì)手，然后低價(jià)并購或讓其破產(chǎn),。很長(zhǎng)時(shí)間內(nèi),，Nuance擁有絕對(duì)話語權(quán)，整個(gè)語音行業(yè)生態(tài)是——這棵大樹下寸草不生,。

深度學(xué)習(xí)帶來曙光

      學(xué)術(shù)界尋求理論突破,，產(chǎn)業(yè)界希望打破壟斷，這樣期待的氛圍中,，深刻影響語音識(shí)別的重要角色在2006年后出現(xiàn)了,。沒錯(cuò)，我說的是深度學(xué)習(xí),，或者說深度神經(jīng)網(wǎng)絡(luò),。

      2006 年的一天，西雅圖微軟研究院的研究員鄧力看到欣頓的一篇關(guān)于深度學(xué)習(xí)的論文《關(guān)于深度置信網(wǎng)絡(luò)的一種快速學(xué)習(xí)算法》（A fast learning algorithm for deep belief nets）,，眼前一亮,，感到自己絞盡腦汁沒有突破的問題，欣頓輕而易舉就解決了,。 2009 年，鄧力邀請(qǐng)欣頓到西雅圖微軟研究院一起討論,，從此微軟語音識(shí)別研究轉(zhuǎn)入了深度學(xué)習(xí)方向,。

      谷歌稍晚了一點(diǎn)，但追趕得很快,。出門問問公司CTO雷欣回憶,，當(dāng)年他在谷歌語音識(shí)別組擔(dān)任研究科學(xué)家時(shí)，2011年夏天，欣頓的博士生納瓦迪普·杰特列( (Navdeep Jaitly)來語音識(shí)別組實(shí)習(xí),，建議用深度神經(jīng)網(wǎng)絡(luò)來替代高斯混合模型做聲學(xué)模型,。短短的實(shí)習(xí)時(shí)間里，納瓦迪普在實(shí)驗(yàn)中獲得了顯著超出谷歌原系統(tǒng)的識(shí)別結(jié)果,。之后,，谷歌工程師們很快將實(shí)驗(yàn)工程化產(chǎn)品化，2012年初發(fā)布在谷歌Voice Search主產(chǎn)品中,。這是業(yè)界首次將深度學(xué)習(xí)用于大詞匯量語音識(shí)別產(chǎn)品中,。2012年下半年，他將深度神經(jīng)網(wǎng)絡(luò)發(fā)布至Android JellyBean版本中,，這也是業(yè)界首次將深度學(xué)習(xí)用于嵌入式語音識(shí)別產(chǎn)品,。

      微軟語音識(shí)別研究取得驚人突破。2016年10月18日,，由微軟首席語音科學(xué)家黃學(xué)東博士帶領(lǐng)的語音團(tuán)隊(duì)在權(quán)威的產(chǎn)業(yè)標(biāo)準(zhǔn) Switchboard 語音識(shí)別基準(zhǔn)測(cè)試中,，實(shí)現(xiàn)了對(duì)話語音識(shí)別詞錯(cuò)率5.9%，首次達(dá)到與專業(yè)速記員持平,。這被認(rèn)為是AI領(lǐng)域歷史性的突破,。

      百度也不示弱，首席科學(xué)家吳恩達(dá)立即發(fā)推特祝賀微軟的語音識(shí)別突破,，同時(shí)話中有話地介紹一年前百度在中文語音識(shí)別上就達(dá)到的成績(jī),。百度的Deep Speech2的短語識(shí)別的詞錯(cuò)率已經(jīng)降到了3.7%，也達(dá)到或超過人類水平,。

      巨頭們高度重視用深度學(xué)習(xí)解決語音識(shí)別問題,，帶來了產(chǎn)業(yè)格局的變化。美國出現(xiàn)了幾十家應(yīng)用深度學(xué)習(xí)的語音識(shí)別技術(shù)公司,。同時(shí),，專利和算法作用越來越小，場(chǎng)景應(yīng)用能力和客戶數(shù)據(jù)資源在競(jìng)爭(zhēng)中變得越來越重要,。

      在語音識(shí)別應(yīng)用場(chǎng)景創(chuàng)新方面,，亞馬遜的Alexa語音交互平臺(tái)非常成功。用Echo交互式藍(lán)牙音箱,，語音通過內(nèi)置接口,，進(jìn)入 Alexa平臺(tái)進(jìn)行語音交互。2014年Echo推出后,，兩年多時(shí)間內(nèi)應(yīng)用場(chǎng)景爆炸性增長(zhǎng),，從同步語音數(shù)據(jù)、播放音樂發(fā)展到幾十種家電的智能家居設(shè)備控制,，再發(fā)展到語音購物,、語音支付,、語音叫外賣、語音打車等多場(chǎng)景應(yīng)用,，亞馬遜的Alexa人機(jī)語音交互玩得出神入化,。以至于有人驚呼：“這就像是試圖成為語音方面的谷歌或者語音方面的Windows操作系統(tǒng)，亞馬遜是要拿走整個(gè)市場(chǎng),?！?/span>

亞馬遜Alexa語音交互平臺(tái)

      場(chǎng)景應(yīng)用，成為語音識(shí)別的新方向,，也成為創(chuàng)業(yè)者的新機(jī)會(huì),。張晴晴博士這樣分析語音識(shí)別的創(chuàng)業(yè)環(huán)境：“語音識(shí)別的門檻正快速降低。在大數(shù)據(jù)和云計(jì)算的推動(dòng)下,，深度神經(jīng)網(wǎng)絡(luò)開始體現(xiàn)出強(qiáng)大的數(shù)據(jù)記憶能力,，由此大大降低了語音建模難度。深度學(xué)習(xí)在數(shù)學(xué)原理上并不復(fù)雜并擁有大量開源工具,，讓初學(xué)者能夠很快上手,。語音行業(yè)從核心算法的壟斷，轉(zhuǎn)向?qū)?shù)據(jù)的壟斷和對(duì)應(yīng)用場(chǎng)景的理解和把握,。語音識(shí)別的戰(zhàn)場(chǎng)從科研界轉(zhuǎn)向企業(yè)界,，這給新來者提供難得的彎道超車機(jī)會(huì)。語音識(shí)別行業(yè)創(chuàng)業(yè)的春天已經(jīng)到來,?！?/span>

      而中文語音處理行業(yè)也迎來新機(jī)遇。一個(gè)很有趣的現(xiàn)象是,，在語音領(lǐng)域華人專家眾多,。是因?yàn)檎Z音識(shí)別等領(lǐng)域研究工作十分艱苦，華人勤奮好學(xué),。此外,，中文語音處理市場(chǎng)非常廣闊。

      依托人才優(yōu)勢(shì)和中文市場(chǎng),，伴隨中文語音技術(shù)的迅猛發(fā)展,，云知聲、出門問問等新企業(yè)應(yīng)運(yùn)而生,，一大批中國AI企業(yè)崛起,。更可喜的是，除了知名中國互聯(lián)網(wǎng)科技公司在語音方面的進(jìn)取外,，以語音為特色的AI公司如科大訊飛等,，也已經(jīng)具備挑戰(zhàn)國際巨頭的能力。

      在普及層面上,，采用云識(shí)別的中文語音輸入系統(tǒng),，已經(jīng)漸漸成為手機(jī)和各種應(yīng)用設(shè)備人機(jī)交互界面標(biāo)配，語音技術(shù)不但已經(jīng)解放了雙手,，還正在更廣泛進(jìn)入和改變我們的生活,。

      重建巴別塔的第一塊基石已經(jīng)深深埋下。機(jī)器已經(jīng)在聆聽,，它聽得越來越清楚,。