Windows有一項微軟不愿意提及的功能。雖然Windows可以讓用戶使用觸控筆“寫寫畫畫”，借助Windows Hello利用臉部登錄系統(tǒng)(或保護Web安全)，甚至命令小娜設置提醒事項，但它明顯不想讓用戶使用的一項功能是，利用其語音識別引擎對系統(tǒng)發(fā)號施令或讓用戶利用語音輸入編輯文檔。

微軟不大力宣揚Windows語音識別功能的原因可以追溯到10年前，當時微軟產(chǎn)品經(jīng)理謝恩·博切(Shanen Boettcher)在演示W(wǎng)indows Vista的語音輸入功能時搞砸了。之后Windows的語音輸入技術一直相當“低調(diào)”，目前幾乎沒有用戶知道Windows有語音輸入功能。

如果說Windows有機會再戰(zhàn)語音輸入領域，目前似乎是個時機——計算機和人工智能的進展為語音輸入提供了好得多的基礎。

在被問及語音輸入技術在Office中的未來時，微軟負責語音識別研究以及小娜和必應的執(zhí)行副總裁哈里·舒姆(Harry Shum)表示，“這是一個重大問題。語音輸入沒有扮演更重要的角色是不可理解的?！?/p>

語音識別不完美的原因

部分用戶仍然認為語音輸入還是《杜恩斯比利》(Doonesbury)系列漫畫中蘋果牛頓 PDA的水平，把用戶說的“I am writing a test sentence”，聽為“Siam fighting atomic sentry”。用戶有這種想法是可以原諒的：Windows語音識別功能仍然采用微軟Speech Recognizer 8.0技術，自Vista以來，這一技術就基本上沒有什么變化。舒姆稱之為“祖父”級技術。

PCWorld表示，但硬件已經(jīng)發(fā)生了很大變化：聽和解釋語音要求的處理能力遠低于10年前。Surface Book等PC產(chǎn)品中的集成式麥克風陣列的質(zhì)量，意味著無需使用專用麥克風語音識別就可以達到很高的準確率。只是，語音輸入技術的發(fā)展已經(jīng)適合大眾使用了嗎？

在使用語音輸入軟件輸入長度為1028個單詞的文章時，95%的準確率意味著用戶必須修正逾15個錯誤。在測試中，Windows語音輸入準確率為93.6%，從理論上說這一數(shù)值并不高，低于測試的其他專用語音輸入軟件。Windows有個奇怪的習慣，在輸入逗號時，它會在文檔中插入“comma”(逗號)這個詞匯。語音輸入社區(qū)似乎對這類相對較小的失誤是否有重要影響有不同看法。

當然，這還不是全部。使用過語音輸入軟件的人都知道，準確率的關鍵是訓練。隨著時間推移，語音輸入軟件會了解用戶口音，“apricot”中“a”的發(fā)音與“bad”還是“ape”中的“a”相同，和如何過濾無意識的痙攣性語言障礙。微軟員工曾聲稱，經(jīng)過適當訓練，Windows語音識別技術的準確率可以達到99%.。1000個單詞出現(xiàn)10個錯誤還不算太壞。

很少有用戶愿意花時間訓練使用語音識別軟件。Windows語音識別軟件，要求用戶用10分鐘時間訓練數(shù)個句子，會讓用戶有度日如年的感覺。小娜和Siri不要求用戶進行訓練，那是因為它們已經(jīng)被訓練了數(shù)以百萬計的語音樣本。

小娜(可以在PC和手機上使用)在語音識別方面表現(xiàn)遠優(yōu)于Windows語音輸入系統(tǒng)的原因是，它利用了微軟云服務的計算能力。微軟會對用戶的語音進行分析，使用戶語音與其其他數(shù)據(jù)相關聯(lián)，生成作為小娜靈魂的智能。

微軟重視語音識別

鑒于小娜的出色表現(xiàn)，用戶會認為語音應當成為上周微軟Ignite會議的中心。但Ignite期間沒有任何與語音輸入有關的會議，只有一次會議與語音識別有關。微軟首席執(zhí)行官薩蒂亞·納德拉(Satya Nadella)在主旨演講中把語音識別稱作是微軟未來的關鍵元素。

以Skype Translator為例。據(jù)納德拉稱，Skype Translator依賴三個方面的研究：語音識別、語音合成和機器翻譯。在演講中，納德拉稱微軟語音識別算法的誤字率為6.9%，這是一個糟糕的成績：準確率僅為93.1%.

PCWorld稱，如果微軟真正看好辦公軟件，語音識別在PC中的未來不僅僅是利用Skype在孟加拉國訂賓館，而是撰寫體驗，不過是通過語音而非手指。