智能語音科技簡史（2018版），這場技術(shù)革命從哪開始？

　　1988年，卡耐基梅隆大學(xué)結(jié)合矢量量化技術(shù)(VQ)，用VQ/HMM方法開發(fā)了世界上第一個非特定人大詞匯量連續(xù)語音識別系統(tǒng)SPHINX，能夠識別包括997個詞匯的4200個連續(xù)語句。

　　同年，清華大學(xué)和中科院聲學(xué)所在大詞庫漢語聽寫機的研制上取得了突破性進展。

　　1990年，聲龍發(fā)布了第一款消費級語音識別產(chǎn)品Dragon Dictate，價格高達9000美元。

　　1992年，IBM引入了它的第一個聽寫系統(tǒng)，稱為“IBM Speech Server Series (ISSS)”。

　　1992年研發(fā)的Sphinx-II在同年美國國防部先進技術(shù)研究計劃署(DARPA)資助的語音基準評測中獲得了最高的識別準確度，這主要得益于其在高斯混合和馬爾可夫狀態(tài)層次上用栓連參數(shù)平衡了可訓(xùn)練性和高效性。

　　1995年，Windows 95上首次搭載微軟SAPI，它使應(yīng)用程序開發(fā)者能夠在Windows上創(chuàng)建語音程序。

　　1995年，AT&T研究院的 Dave Ladd， Chris Ramming， Ken Rehor 以及 Curt Tuckey 在頭腦風(fēng)暴關(guān)于互聯(lián)網(wǎng)會如何改變電話應(yīng)用的時候，產(chǎn)生了一些新的想法：為什么不設(shè)計這樣一個系統(tǒng)來運行一種可以解析某種語音標記語言的語音瀏覽器，用來把互聯(lián)網(wǎng)的內(nèi)容和服務(wù)提供到千家萬戶的電話上。于是，AT&T就開始“電話網(wǎng)絡(luò)項目”(Phone Web Project)。之后，Chris繼續(xù)留在AT&T，Ken去了朗訊，Dave和Curt去了摩托羅拉。(1999年初的時候，他們分別在各自的公司邁出了語音標記語言規(guī)范實質(zhì)性的第一步。因為他們的密友關(guān)系，這幾家公司合作成立了一個VoiceXML論壇組織，IBM也作為一個創(chuàng)始公司加入了進來。)

　　1997年IBM ViaVoice首個語音聽寫產(chǎn)品問世，你只要對著話筒喊出要輸入的字符，它就會自動判斷并且?guī)湍爿斎胛淖?。次年又開發(fā)出可以識別上海話、廣東話和四川話等地方口音的語音識別系統(tǒng)ViaVoice’ 98。

　　1998年，微軟在北京成立亞洲研究院，將漢語語音識別納入重點研究方向之一。

　　2001年，比爾蓋茨在美國消費電子展上展示了一臺代號為MiPad的原型機。Mipad展現(xiàn)了語音多模態(tài)移動設(shè)備的愿景。

　　2002年，中科院自動化所及其所屬模式科技公司推出了“天語”中文語音系列產(chǎn)品——Pattek ASR，結(jié)束了該領(lǐng)域一直被國外公司壟斷的局面。

　　2002年，美國國防部先進技術(shù)研究計劃署(DARPA)首先啟動了EARS項目和TIDES 項目; 由于EARS項目過于敏感，EARS和TIDES兩個項目合并為“全球自主語言開發(fā)”(Global Autonomous Language Exploitation，GALE)。GALE目標是應(yīng)用計算機軟件技術(shù)對海量規(guī)模的多語言語音和文本進行獲取、轉(zhuǎn)化、分析和翻譯。

　　2006年，辛頓(Hinton)提出深度置信網(wǎng)絡(luò)(DBN)，促使了深度神經(jīng)網(wǎng)絡(luò)(Deep Neural Network，DNN)研究的復(fù)蘇，掀起了深度學(xué)習(xí)的熱潮。

　　2009年，辛頓以及他的學(xué)生默罕默德(D. Mohamed)將深度神經(jīng)網(wǎng)絡(luò)應(yīng)用于語音的聲學(xué)建模，在小詞匯量連續(xù)語音識別數(shù)據(jù)庫TIMIT上獲得成功。

　　2009年微軟Win7集成語音功能。

　　2010年Google Vioce Action支持語音操作與搜索。

　　2011年初，微軟的DNN模型在語音搜索任務(wù)上獲得成功。

　　同年科大訊飛將DNN 首次成功應(yīng)用到中文語音識別領(lǐng)域，并通過語音云平臺提供給廣大開發(fā)者使用。

　　2011年10月，蘋果iPhone 4S發(fā)布，個人手機助理Siri誕生，人機交互翻開新篇章。

　　2012年，科大訊飛在語音合成領(lǐng)域首創(chuàng)RBM技術(shù)。

　　2012年，谷歌的智能語音助手Google Now 的形式出現(xiàn)在眾人面前，用在安卓 4.1 和 Nexus 手機上。

　　2013年，Google發(fā)布Google Glass，蘋果也加大了對iWatch的研發(fā)投入，穿戴式語音交互設(shè)備成為新熱點。

　　同年，科大訊飛在語種識別領(lǐng)域首創(chuàng)BN-ivec技術(shù)。

　　2014 年，思必馳推出首個可實時轉(zhuǎn)錄的語音輸入板。

　　2014年11月，亞馬遜智能音箱Echo發(fā)布。

　　2015 年，思必馳推出首個可智能打斷糾正的語音技術(shù)。

　　2016年，Google Assistant伴隨Google Home 正式亮相，搶奪亞馬遜智能音箱市場。(亞馬遜Echo在2016年的智能音箱市場占有率達到了巔峰的88%)

　　同年，科大訊飛上線DFCNN(深度全序列卷積神經(jīng)網(wǎng)絡(luò)，Deep Fully Convolutional Neural Network)語音識別系統(tǒng)。

　　同年11月，科大訊飛、搜狗、百度先后召開發(fā)布會，對外公布語音識別準確率均達到“97%”。

　　2017年3月，IBM結(jié)合了 LSTM 模型和帶有 3 個強聲學(xué)模型的 WaveNet 語言模型。“集中擴展深度學(xué)習(xí)應(yīng)用技術(shù)終于取得了 5.5% 詞錯率的突破”。相對應(yīng)的是去年5月的6.9%。

　　2017年8月，微軟發(fā)布新的里程碑，通過改進微軟語音識別系統(tǒng)中基于神經(jīng)網(wǎng)絡(luò)的聽覺和語言模型，在去年基礎(chǔ)上降低了大約12%的出錯率，詞錯率為5.1%，聲稱超過專業(yè)速記員。相對應(yīng)的是去年10月的5.9%，聲稱超過人類。

　　2017年12月，谷歌發(fā)布全新端到端語音識別系統(tǒng)(State-of-the-art Speech Recognition With Sequence-to-Sequence Models)，詞錯率降低至5.6%。相對于強大的傳統(tǒng)系統(tǒng)有 16% 的性能提升。

　　市場分析公司Canalys在2018年1月分布一份報告，其預(yù)測2018年將是普及智能音箱的“決定性一年”，相比全年出貨量剛過3000萬臺的2017年，2018年智能音箱全球出貨量預(yù)計將達到5630萬臺。

　　中投顧問發(fā)布的《2018-2022年中國智能語音行業(yè)深度調(diào)研及投資前景預(yù)測報告》顯示我國智能語音市場整體處于啟動期，智能車載，智能家居，智能可穿戴等垂直領(lǐng)域處于爆發(fā)前夜。

　　文章引用

　　[1] 李曉雪. 基于麥克風(fēng)陣列的語音增強與識別研究[D]. 浙江大學(xué)， 2010.

　　[2] 倪崇嘉， 劉文舉， 徐波. 漢語大詞匯量連續(xù)語音識別系統(tǒng)研究進展[J]. 中文信息學(xué)報， 2009， 23(1)：112-123.

　　[3] 高朝煌. 非特定人漢語連續(xù)數(shù)字語音識別系統(tǒng)的研究與實現(xiàn)[D]. 西安電子科技大學(xué)， 2011.

　　[4] 《2017年的語音識別，路只走了一半》

　　[5] 《2018-2022年國內(nèi)外智能語音發(fā)展的分析》

　　[6] 《四十年的難題與榮耀—從歷史視角看語音識別發(fā)展》

　　[7] 《幾個常見的語音交互平臺的簡介和比較》

　　[8] 《VoiceXML簡介》

　　[9] 《思必馳官方介紹資料》