人工智能通过语音技术来听懂人类的语言

（文章来源：百度智能云）

你可能发现这样的场景，当你坐在沙发上说一声“打开电视机”，不需要遥控器，你就可以尽情观赏电视节目；跟朋友聊天，无需手动敲字，语音输入后便可实时转化成文字，发送给对方，既省时又省事。这是怎么回事呢？这些设备是如何听懂我们的语言的呢？这里不得不提的，就是语音识别技术。“什么是语音识别？语音识别是完成从语音信息到机器可识别文本信息的转化过程。”

语音识别就是让机器拥有“耳朵”。当然，不是简单的给机器装台收音器就可以实现，它需要不断的进化。这就好像是人的听觉系统的成长。一个出生的婴儿能听到声音，但是听不懂，往后随着年龄的增长，不断的学习、训练，能听懂的东西越来越多。机器的语音识别也有类似的成长过程。语音识别技术的研究最早可以追溯到上世纪50年代，当时的效果并不好。

直到21世纪初，特别是近10年，借助机器学习领域深度学习研究的发展，以及大数据语料的积累，语音识别技术才有了突飞猛进的发展。如今，语音识别的正确率已经接近甚至部分超过了人类。比如，2017年，IBM、微软相继宣称自家产品的语音识别错误率接近了人类，人类的语音识别错误率大约为5.1%，而百度更是通过像百度大脑中语音语义一体化这样的技术，把语音识别错误率控制在了3%左右。

根据识别内容的范围，语音识别可分为“封闭域识别”和“开放域识别”两大类。封闭域识别，识别范围为预先指定的字/词集合，即算法只在开发者预先设定的封闭域识别词的集合内进行语音识别，对范围之外的语音会拒识。因此，可将其声学模型和语言模型进行裁剪，使得识别引擎的运算量变小。并且，可将引擎封到嵌入式芯片或者本地化的SDK中，从而使识别过程完全脱离云端，摆脱对网络的依赖，并且不会影响识别率。

典型的应用场景是，不涉及到多轮交互和多种语义说法的场景。比如，智能家居，主要指只能进行简单指令交互的智能家居和电视盒子，语音控制指令一般只有“打开窗帘”、“打开电视”等，或者语音唤醒功能“小度小度”。开放域识别，无需预先指定识别词集合，算法将在整个语言大集合范围中进行识别。

为适应此类场景，声学模型和语言模型一般都比较大，引擎运算量也较大。因此，业界厂商基本上都只以云端形式提供。比如，百度云就可以提供这样的产品。具体而言，开放域识别按照音频录入和结果获取方式又可将产品形态分为3种：

产品形态一：流式上传-同步获取，应用/软件会对说话人的语音进行自动录制，并将其连续上传至云端，说话人在说完话的同时能实时地看到返回的文字。典型应用场景：语音输入法、实时字幕、语音笔记。

产品形态二：已录制音频文件上传-异步获取，音频时长一般小于5小时。典型应用场景：音/视频字幕配置、实时性要求不高的客服语音质检和语音内容审查等。

产品形态三：已录制音频文件上传-同步获取，音频时长一般小于1分钟。典型应用场景：语音搜索、更智能的机器人语音交互。

当前，百度语音识别技术已经全面开放，包括语音识别、长语音识别、远场语音识别、呼叫中心实时语音识别、呼叫中心音频文件转写五大类别，数十项基础技术，并服务于众多开发者。通过这样的介绍，你大概了解到计算机的“耳朵”是如何练成的吧。如果在实践中，智能音箱这类产品听不懂你的话，你可以多说几遍，像对待孩子那样。只要这样，智能音箱就会越来越懂你。