语音识别技术：从实验室错漏百出到飞入寻常百姓家

十年前谁能想到，错到离谱的技术能成刚需？

我还记得2013年第一次用语音输入法，对着手机说"帮我订一张明天去上海的高铁票"，出来的文字是"帮我钉一张名山去上海的高铁飘"。

笑到摔手机。

那时候主流技术还是基于隐马尔可夫模型的统计方法，对语境的理解几乎为零，稍微带点口音，或者背景有个马路车声，直接彻底跑偏。那时候敢吹自己语音识别准确率90%的厂商，都是拿着安静实验室里的标准普通话数据测出来的，拿到真实生活场景里，一半都不对。

转折点其实是2016年。微软研究院放出了一个炸场的科研成果：他们用深度神经网络把Switchboard数据集的词错率WER降到了5.9%，首次低于人类转录的平均错误率7.9%。

整个行业都醒了。原来深度学习真的能把语音识别做通。

从那之后，速度快到吓人。不到三年，各家大厂的语音识别准确率就冲到了98%以上，普通人标准普通话安静环境下，几乎不用改字。

说实话，那时候我都没想到这东西能渗透这么快。现在你去菜市场买菜，摊主都用语音输入法发补货消息，对吧？

现在的语音识别技术，早不是只会转文字了

很多人对语音识别的印象还停留在输入法转文字，其实早就延伸到各个角落了。车载导航不用抬手点，智能音箱直接喊着调温度，会议开完自动出带分段带说话人标记的纪要，甚至连短视频的字幕都是语音识别自动生成的。

不过话说回来，这两年最大的行业变化不是准确率提了零点几个百分点，是端侧语音识别普及了。

以前你说一句话，手机得把音频传到云端服务器识别，再把结果传回来，不仅慢，还担心隐私泄露。现在几百M的小模型就能放在手机本地，不上传也能识别，准确率差不了多少。越来越多的手机都支持离线语音指令，就算没网，喊一声打开相机也能成。

开源社区的进展也快得吓人。OpenAI放出的Whisper模型，直接把小语种、带口音语音的识别门槛拉到了地面，随便一个小团队都能拿来改改做自己的应用，不用再从零训练了。我上次帮一个做少数民族语言保护的朋友弄转录，用Whisper测了一下云南某地的哈尼语录音，准确率居然能到八成多，放在五年前想都不敢想。

现在科研方向也转了，不再盯着标准场景的准确率冲，开始啃硬骨头：比如多人混声分离，比如带强噪音的远场识别，比如低资源小语种的建模。

剩下的坑，才是语音识别技术下一轮要啃的硬骨头

别吹得太神，现在的语音识别还是一堆问题。

我上次开线上研讨会，三个人同时抢话，背景还有会议室的空调嗡鸣，出来的纪要直接乱成一锅粥，很多地方连不起来。还有人天生大舌头，或者带非常重的小众口音，现在识别率还是上不去。我老家的温州乐清方言，别说自动转写了，很多年轻人都听不懂，更别说模型能练到位。

这就是现在行业里说的低资源语音识别痛点。很多小语种、小众方言没有几十万小时的标注数据，大模型根本训不出来，现在科研人员都在研究半监督、无监督的训练方法，只用几百小时数据就能训出能用的模型，这块已经有不少进展了，估计再过三五年，小众方言的转写也能民用。

还有隐私的问题。虽然端侧识别普及了，很多应用还是偷偷把你的语音数据上传拿去训模型，之前曝光过不少这种事，用户防不胜防。接下来怎么在保证体验的前提下，把数据隐私彻底锁在本地，也是行业要解决的大问题。

想想真挺神奇的。十年前我们还在吐槽语音识别是人工智障，现在我们已经离不开它了。开车的时候发消息，不用抬手，张嘴说就行；开会记笔记，不用噼里啪啦敲，结束直接拿整理好的稿子走；甚至眼睛不好的朋友，全靠语音识别来操作手机。

技术改变生活，从来不是从一个完美的黑科技开始的。都是从错漏百出，一点点磨，磨到你感觉不到它的存在，变成像空气一样自然的东西。

语音识别就是这样。