语音识别即将进入规模化应用.docVIP

语音识别即将进入规模化应用 　　当下语音识别可能已达到平均95%的准确度，一旦提升到99%，就将发生质变。 　　来自商界的种种动向显示，语音识别，这项把人类语音转换成文本的研究，已经成为人工智能领域最接近应用的技术。 　　过去数月间，这种动口不动手的“黑科技”频繁出现在国内科技行会中。7月，奇点极客公园创新者峰会上，搜狗CEO王小川一边演讲，大屏幕上一边显示出内容，识别结果令人惊艳；10月上旬，在杭州云栖大会上，4万人现场见证马云一边演讲，一边在大屏幕上秀出阿里机器人打出的字幕，还有700万人通过在线直播观看了这一幕，造就了语音识别最大规模的一次亮相；10月下旬，锤子手机M1发布会上，科大讯飞的语音识别技术快速、精准地将罗永浩的讲话译成文字，几乎成为发布会主角。 　　一边演讲，一边在大屏幕上弹出语音识别字幕，日趋成为潮流标配。这也意味着，这项技术正在步入成熟期。微软10月底发布的一份学术声明表示：语音识别技术的精准性已经媲美人类，在产业标准测试中，其语音识别实现了词错率低至5.9%――与人类专业速记员的最好记录持平，这意味着其识别能力已经高于世界上绝大多数人，而与人类专业高手持平。 　　顶级语音专家、微软研究院首席研究员俞栋表示，在安静环境下，使用近距离麦克风，语音识别的正确率已经跨过了应用门槛。 　　巨头的共同动作 　　来自巨头们的动作亦可印证这一趋势：从2010年开始，苹果公司先后收购包括Siri在内的3家语音识别公司；谷歌、亚马逊、Facebook也各自收购2～4家；微软则从自家战略层面发展Skype、Cortana和微软小冰；今年，英特尔宣布与语音识别技术公司Sensory达成合作，在以后最新的芯片中集成整合该公司的语音识别技术。 　　相比国外大公司在收购技术上花钱，国内公司则将各自语音识别技术大胆靠近应用。例如百度语音嵌入百度旗下其他App，搜狗语音应用于输入法，腾讯则让微信具备语音转文字功能。创业公司也纷纷利用语音技术，依靠硬件作为流量分发入口，应用在智能家居、车载语音助手等产品上。 　　事实上，现阶段大部分人早已享受语音识别科技，比如客服服务。作为全球最大的电商，阿里巴巴的客服需求一直伴随业务的激增而扩大，这导致人力成本高企。应对这一状况的传统方式是客服外包，但其服务不可靠、不稳定的缺点难以克服。最开始，阿里采用抽检式的质检，从每100通电话里抽取1通，由人工逐句检验录音是否合规。 　　负责人很快发现，1%的抽检率不足以覆盖全部问题，因为每个人犯错的方式存在很大差异。于是，阿里云的人工智能机器人ET介入该项服务，将语音转化为文字，再利用关键词搜索等完成质检，一旦触发违规，会自动进入处罚流程。如果客服认为ET识别有误，自己被冤枉了，可以点击“申诉”――人工质检员只在这一步介入。如此，在同等人力条件下，质检率从1%提升到了100%。 　　阿里云智能语音高级专家陈一宁告诉《财经天下》周刊，除了客服，语音识别也应用在淘宝、支付宝、钉钉等移动端应用，甚至进入了杭州市西湖区人民法院的庭审现场。自今年6月起，该法院的书记员工作被ET替代。法官及诉讼参与各方人士的发言，都会在显示屏上即时显示。 　　陈一宁解释，让语音识别参与庭审不仅可以节省人力，其最大意义在于方便检索和后续分析。法官们在审案前，需要参考同类案件的处理，而ET自动将庭审内容转化为文字并归档，就能方便法官输入同类关键词，查看所有相关案件的记录。 　　电脑与人耳的优劣 　　微软称最新的语音识别词错率与专业速记员持平，阿里也做了类似的测试。在今年年初的2016阿里云年会上，阿里ET与世界速记大赛亚军得主姜毅同时为现场演讲做速记。与姜毅的对决中，ET以0.67%的微弱优势取胜。 　　面对人类中的顶级选手，ET的取胜优势在于其稳定性和并发计算能力。人类的体力有极限，在高强度压力下难以保持稳定；此外，计算机的高并发能力使其可以在发现错误后，瞬间完成修改，速记员则只能在演讲者话语中断的间歇见缝插针返回修改。 　　人类的另一个弱项是对短句的识别。如果没有前后语境，突然冒出一句语速又快、内容又短的句子，一般人很难听清。但计算机不怕语速快，并且能通过大数据学习沉淀下的经验，去根据之前听过的类似语音，来计算出这句话最可能是什么。 　　但若论真正“听懂”的智慧，电脑尚未追赶上人类。比如在环境嘈杂、多人同时发音、中英夹杂等条件下，电脑便不及人类能迅速过滤无用信息，理解对方的意思。或者，讲述者说的是一个全新的、创新性的词语，此前没有人说过，机器自然没学习过，就很难识别。 　　有趣的是，方言与口音并不在计算机惧怕的领域范围内。以阿里客服为例，他们每天会接听来自全国乃至世界各地的电话，后台的ET被各种口音训练过，只要积累足够的训练量，可以无上限地成为N种方言