語音識別系統(tǒng)歷史

　　國外研究：

　　從開始研究語音識別技術(shù)至今，語音識別技術(shù)的發(fā)展已經(jīng)有半個多世紀的歷史。語音識別技術(shù)研究的開端，是Davis等人研究的Audry系統(tǒng)，它是當時第一個可以獲取幾個英文字母的系統(tǒng)。到了20世紀60年代，伴隨計算機技術(shù)的發(fā)展，語音識別技術(shù)也得以進步，動態(tài)規(guī)劃和線性預測分析技術(shù)解決了語音識別中最為重要的問題——語音信號產(chǎn)生的模型問題；70年代，語音識別技術(shù)有了重大突破，動態(tài)時間規(guī)整技術(shù)（DTW）基本成熟，使語音變得可以等長，另外，矢量量化（VQ）和隱馬爾科夫模型理論（HMM）也不斷完善，為之后語音識別的發(fā)展做了鋪墊；80年代對語音識別的研究更為徹底，各種語音識別算法被提出，其中的突出成就包括HMM模型人工神經(jīng)網(wǎng)絡(luò)（ANN）；進入90年代后，語音識別技術(shù)開始應用于全球市場，許多著名科技互聯(lián)網(wǎng)公司， 如IBM，Apple等，都為語音識別技術(shù)的開發(fā)和研究投入巨資；到了 21 世紀，語音識別技術(shù)研究重點轉(zhuǎn)變?yōu)榧磁d口語和自然對話以及多種語種的同聲翻譯。

　　國內(nèi)研究：

　　國內(nèi)關(guān)于語音識別技術(shù)的研究與探索從20 世紀80 年代開始，取得了許多成果并且發(fā)展飛速。例如：清華大學研發(fā)的語音識別技術(shù)以1183 個單音節(jié)作為識別基元，并對其音節(jié)進行分解，最后進行識別，使三字詞和四字詞的準確率高達98%；中科院采用連續(xù)密度的HMM，整個系統(tǒng)的識別率達到89.5%，聲調(diào)和詞語的識別率分別是 99.5%和95%。目 前，我國的語音識別技術(shù)已經(jīng)和國際上的超級大國實力相當， 其綜合錯誤率可控制在10%以內(nèi)。

　　清華大學電子工程系語音技術(shù)與專用芯片設(shè)計課題組，研發(fā)的非特定人漢語數(shù)碼串連續(xù)語音識別系統(tǒng)的識別精度，達到94.8%（不定長數(shù)字串）和96.8%（定長數(shù)字串）。在有5%的拒識率情況下，系統(tǒng)識別率可以達到96.9%（不定長數(shù)字串）和98.7%（定長數(shù)字串），這是目前國際最好的識別結(jié)果之一，其性能已經(jīng)接近實用水平。研發(fā)的5000詞郵包校核非特定人連續(xù)語音識別系統(tǒng)的識別率達到98.73%，前三選識別率達99.96%；并且可以識別普通話與四川話兩種語言，達到實用要求。

　　中科院自動化所及其所屬模式科技（Pattek）公司2002年發(fā)布了他們共同推出的面向不同計算平臺和應用的“天語”中文語音系列產(chǎn)品——PattekASR，結(jié)束了中文語音識別產(chǎn)品自1998年以來一直由國外公司壟斷的歷史。

　　語音識別系統(tǒng)前景趨勢

　　在新興產(chǎn)業(yè)市場需求的推動下，語音識別的市場也是十分具有看頭的，有研究機構(gòu)指出，預計到2020年，全球語音識別的市場規(guī)模將從2015年的61.9億美元增長到200億美元。然而，在市場規(guī)模壯大這一美好的預測面前，我們也不能忽視一些需要面對的問題，只有解決了它們，語音識別才能得到完善，給用戶帶來極致服務。

　　首先就是對象識別的準確性?，F(xiàn)在，在應用上，我們看見語音識別多是在智能家居領(lǐng)域，包括智能家電和服務機器人。此時，我們就要考慮一個問題了，當多個家庭成員同時講話時，智能家電和服務機器人該執(zhí)行誰的命令呢？它們又如何能在眾聲音中找出自己主人的命令？這些都是當前語音識別所需要解決的問題，畢竟我們通常所說的語音識別不僅僅只是單純的對語音內(nèi)容進行識別。

　　在這個問題上，人們也找到了一個解決方案——聲紋識別。一般來講，聲紋具有唯一性，對說話人身份的確認有著極大的幫助。借助于聲紋識別，語音識別能夠準確對說話人的位置和身份進行定位，從而準確識別語音內(nèi)容，執(zhí)行其中下達的指令。不過，鑒于數(shù)據(jù)的極大空缺等問題，聲紋識別技術(shù)還需完善。

　　其次是降低周邊環(huán)境的干擾。對于人類來講，在嘈雜環(huán)境中聽別人說話或是從眾多聲音中找出自己想聽的內(nèi)容還是一件較為簡單的事，而與此相反，這件事在機器這里并沒有那么容易。

　　為了降低周邊環(huán)境對語音識別的干擾，亞馬遜和谷歌都在智能音箱中使用了麥克風陣列技術(shù)，從而起到一定的“降噪”作用，增加語音識別的準確率。不過，到目前為止，環(huán)境的干擾依然沒有得到更好的解決，仍然是語音識別前進道路中的一只“攔路虎”，尤其是在多段語音中準確找出指定說話人的情境中。

　　在一次采訪中，和機器學習權(quán)威學者、百度首席科學家吳恩達表示，2017年是“對話式電腦”快速發(fā)展的一年。對話式電腦，諸如聊天機器人、人工智能虛擬助手之類，作為展開對話的第一步，語音識別也屬于這快速發(fā)展的一部分。

　　在、等多種產(chǎn)業(yè)以及聊天機器人、虛擬助手這些產(chǎn)品市場的推動下，語音識別的市場正在不斷擴大，同時也是對它準確性的一個挑戰(zhàn)。