语音识别技术：从实验室黑科技到日常标配的十年跃迁

上周帮我奶奶调智能手机输入法，她八十岁，眼睛花得连按键都看不清，这辈子没学过拼音，以前发消息只能让我叔替她打字。现在倒好，张嘴说话就出文字，连她一口带着山东乡下口音的普通话，十个字能对九个。换十五年前，你敢信？

早年的语音识别：只是特定人的玩具

我听行业里做了三十年的前辈说，九十年代国内搞语音识别的团队，没几个能拿出能用的产品。那时候主流还是用隐马尔可夫模型的统计方法，把语音切割成一个个小单元，再一个个匹配字典，稍微有一点口音或者环境杂音，直接全错。

那时候要能用，条件苛刻到离谱。你得在安静房间，得说话一字一顿，得提前给机器训练半小时你的声音。换个人说话，直接抓瞎。

就算做到顶，也就支持几千个词汇量，也就做做专线电话的声控拨号，普通人根本碰不到。那时候科研论文里吹的“语音解放双手”，全是画饼，谁信谁上当。

说实话，直到2010年前后，我用早期的安卓手机试语音识别，说“我要吃火锅”，能给我转成“我要吃火车”，气得我直接把功能关了半年。

Transformer进场之后，语音识别彻底换了赛道

2017年Transformer出来之后，最先改变的其实是NLP，紧接着就炸了语音识别的圈子。之前大家折腾了几十年的三段式架构：声学模型、语言模型、解码器，改来改去识别率也就涨一点点，结果端到端一出来，直接把老路线干没了。

什么是端到端？说白了就是不用拆那么多步骤，直接把原始语音信号喂给模型，模型直接输出文字，省了无数中间调参的麻烦。现在通用场景下，普通话识别准确率已经做到了98%以上，这个准确率，普通人日常用完全够打了。

不光普通话，现在方言识别都做得有模有样。我上次跟我广东朋友聊天，他一口懒音粤语，微信转写比我听的都准。连我那一口改不掉的湖南塑普，十个字能对九个，放十年前想都不敢想。

不过话说回来，也不是完美无缺。你在酒吧闹哄哄的环境打电话，转写能错一半。要是感冒嗓子哑了，变声了，机器也认不出来。碰到专业术语更离谱，我上次说“Transformer编码器”，能给我转成“变身编码器”，笑了我一整天。

语音识别技术现在偷偷藏在了哪里

很多人觉得，语音识别不就是输入法转文字吗？那你可太浅了。现在这东西早就渗透到各行各业了。

快递网点的分拣，快递员扫件直接报地址，不用停下来打字，一分钟能多扫好几个件，一天下来能多送几十单。医院里面，医生做完手术，口述病历直接转文字，不用熬大夜补病历，这真的是救人的改进。就连果园里摘果子，果农带着耳麦报果重，直接录入系统，不用放下果子手写登记，效率翻了一倍。

最近大模型火了之后，语音识别又玩出新花样了。原来只是转文字，现在转完直接给你做结构化整理。你开三个小时会，录完音十分钟就能给你出分点的会议纪要，连待办事项都给你标好，省了不知道多少整理的时间。我上个月出差开研讨会，亲测了一次，本来要花一下午整理录音，结果二十分钟就弄完了，剩下的时间我还去逛了逛西湖，太爽了。

当然，还有没解决的问题。小众方言和小语种，缺训练数据，商业公司没动力投钱做，现在识别率还是上不去。还有带口音的小语种，更是没人碰。还有就是隐私问题，你说话的时候会不会被偷偷录音传出去？这点大家都在意，现在很多厂商也在做端侧语音识别，就是数据不用上传，就在你自己手机上处理，也算解决了一部分顾虑。

回头看看，也就十年功夫，当年实验室里连专家都觉得难用的黑科技，现在变成了连八十岁老人都天天用的标配。技术这东西，真的是越好用越让人感觉不到它的存在。你现在用输入法发语音，会不会想到，你天天用的，就是全世界最先进的语音识别技术？