語音識別技術(shù)將使你的智能手機更聰明

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)?，F(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。

未來的方向

詢問參加開發(fā)語音技術(shù)的每一個人下一個巨大的步驟是什么。他們一般會給你一個答案：自然語言處理。

Revis把它解釋為理解你的意思的系統(tǒng)，它不僅僅知道你說什么。在會話式的互動模式中，用戶說自己要說的話，沒有限制用戶如何說這個話。他提供了指令或者要求得到信息的例子，如“我在什么地方能夠買到100美元以下的尼康照相機？”或者“給杰尼發(fā)個短信說我晚到20分鐘”或者“今天晚上在Morton's訂三個人的地方”。

谷歌的Mane稱，在口語對話中提供自然的語言處理是一個雙重挑戰(zhàn)。首先，你必須識別這些單詞，然后，你必須理解這個意思。第一部分變得更加容易了。但是，第二部分仍然很難解決：意思是根據(jù)上下文確定的和難以應(yīng)付的，人類做的語法分析也不是總是成功的。

微軟的Rele認(rèn)為，手機提供的額外的服務(wù)（如羅盤或者GPS）能夠增強自然語言處理的有用性。他說，你可以為兩個人安排吃飯和看電影，方法是利用不同來源的數(shù)據(jù)把這個任務(wù)分開，如使用日歷、飯店排名、電影評論和位置等數(shù)據(jù)。

此外，手機的服務(wù)能夠用于提供講話的環(huán)境。Rele表示，用戶的語音輸入以及從其它有關(guān)用戶及用戶環(huán)境的傳感器和狀態(tài)獲得的智能信息可以提供更豐富的和更相關(guān)的結(jié)果。例如，如果你剛剛使用Foursquare網(wǎng)站查看有關(guān)飯店，一些含糊的語音指令就會傾向于外出吃飯、訂膳宿和要一輛出租車等事情。

多平臺應(yīng)用程序Vlingo自稱是“虛擬助手”，已經(jīng)能夠提供這些方面的功能。這個軟件插入到OpenTable和Fandango等服務(wù)中以完成許多任務(wù)：訂飯店、訂電影票等等。

Nguyen認(rèn)為未來語音識別技術(shù)改善的另一個領(lǐng)域是游戲。他說，在游戲中可以使用語音以增加玩游戲的不同氛圍。例如，你可以把Kirk-style船長的命令傳遞給恒星飛船或者在在一個神秘的事情中審訊疑犯。

是你嗎？

已經(jīng)應(yīng)用的另一個功能是自動地把語音識別適用于單個用戶。這是臺式電腦語音識別技術(shù)所要求的免提版語音訓(xùn)練。

例如，最新版本的谷歌語音搜索有一個選擇性加入功能，允許隨著時間的推移建立一個用戶的客戶化語音特征。Mane解釋說，當(dāng)用戶選擇使用客戶化語音識別的時候，我們在用戶和用戶的語調(diào)方面畫一個界限，這使我們能夠建立一個初步的、個性化的語音識別模式。

然而，個性化識別并不是一個能夠解決一切問題的技術(shù)，它只是實現(xiàn)語音識別更加無縫化的一個過渡步驟。Mane稱，我們沒有把個性化識別看作一個唯一的解決方案，因為還會有更多的一系列的技術(shù)創(chuàng)新。Mane認(rèn)為，這種技術(shù)未來的改進(jìn)需要我們的用戶更積極的參與。

結(jié)論

手機一直是許多技術(shù)的孵化器和推動因素，這包括硬件和軟件技術(shù)。到目前為止，在這個組合中增加語音功能僅產(chǎn)生了逐步的改善，谷歌語音應(yīng)用程序的很好的功能。

但是，這些改進(jìn)正逐步地為更重要的進(jìn)步鋪平道路。移動技術(shù)為如何聚集這些新技術(shù)提供了一個全新的舞臺。下一步也許不是一個理解你說的一切事情的手機，而是能夠充分理解你說的事情的一個更有用的手機。