语音识别技术：从只能听懂指令到接住你的方言梗

上个月跟奶奶视频，输入法随手开了语音转写，居然把奶奶一口带卷舌的温州乐清方言“晚上要不要吃糯米饭”，整句转对了。我当时惊得手机差点掉饭碗里。

放十五年前，这根本是天方夜谭。对吧？

十年前的语音识别，还得你来适应机器

我还记得2010年那会，第一次用带语音拨号的诺基亚，对着说明书录了三遍“爸爸”，换了个声调打过去，它居然给我拨给了“巴巴”——就是我存的淘宝店铺巴巴运动网。

那时候的语音识别，本质就是模板匹配+统计模型，先把你的声音拆成一个个音素，跟提前存好的模板对上，差一点都认不出来。后来用GMM-HMM模型好了一点，但还是得你慢慢说，字正腔圆，不能有口音，不能有背景噪音。

那时候想去做方言识别？想都别想，连标注数据都凑不出来。整个行业都在纠结，怎么把普通话的准确率从90%提到95%，哪有空管小众的需求。

说实话，那时候的语音识别，更像是个炫技的功能，没人真的天天用。发语音还是得自己打字，开会记录还是得找速记员。

Transformer进场，语音识别才真正“活”了

Transformer出来之后，整个方向全变了。端到端模型直接把语音转文字，跳过了中间繁琐的音素对齐步骤，一下子把准确率拉上去不说，对数据的利用效率也高了太多。

2022年OpenAI把Whisper开源的时候，整个行业都炸开了。我当时下载下来试了，把大学时候录的山区支教的音频找出来，背景有鸟叫还有风声，当地人说的一口贵州苗语夹杂普通话，Whisper居然转了个七七八八。我当时对着电脑愣了半天。

现在业内最热的方向，是低资源语音识别。什么概念？就是针对那些没有几十万上百万标注数据的小语种、小众方言，靠大模型预训练的能力，把高资源语言的知识迁移过来，只需要几千句甚至几百句标注数据，就能训出能用的模型。

这个方向真的太有意义了。国内很多少数民族语言，很多地方的小众方言，现在都能做语音识别了，不光方便当地人，对文化记录保护都是大功一件。

现在通用场景下的普通话语音识别，准确率已经超过98%了，跟人打字的错误率差不多。你说惊喜不惊喜？

语音识别技术现在，卷到什么地方了？

准确率卷得差不多了，现在大家都在卷什么？

第一个是场景适配。别小看这个，你在安静的房间里说话准确率99%，到地铁站那种嘈杂的地方，很多产品直接就瞎了。还有手术室里医生小声说专业术语，战场上士兵带面罩说话，都得专门调模型，不是拿个通用大模型就能用的。

第二个是跟大语言模型结合。现在的语音识别早就不是只给你转文字了。你开会说“王工负责的那个项目，下周五要交原型稿”，转完之后直接能帮你提取成待办，打上标签，分到王工的日程里。边说边处理，不用事后再整理。

第三个是端侧化。说白了就是不用把你的语音传到云端处理，全部运算都在你自己的手机、手表里跑。既解决了延迟问题，又保护了隐私。现在小米、谷歌都推出了可用的端侧语音识别模型，准确率跟云端差不了多少，日常用完全够。

不过话说回来，现在的产品还是有不少槽点。我前阵子打银行客服，反复说“转人工”，它硬给我转成“查询余额”，来回折腾五分钟，差点把我手机扔了。其实根本不是技术做不到，是很多企业为了省成本，不肯用新模型，不肯针对场景做优化，硬拿几年前的老模型凑活用，坑的还是用户。

还有同音异义的问题，现在很多模型还是搞不对。你说“我要去买一瓶啤酒”，上下文说跟朋友吃饭，它能转对，要是你半路插一句，它可能给你转成“皮九”，这种低级错误还是时常出现。不过最近看arXiv上的新成果，结合上下文的语义语音识别已经把这个问题解决得七七八八了，估计再过两年，这种错误就很少见了。

你有没有发现，我们早就已经离不开语音识别了。发微信懒得打字，开语音转文字，开车导航说个地址就走，开会不用带速记，自动出字幕，甚至写稿子都有人直接说，转完改改就成了。

对那些听障朋友来说，实时语音转字幕更是帮了大忙，能跟上正常人聊天，能自己去超市买东西，不用麻烦别人。技术的温度，其实就藏在这些不起眼的地方。

再过三五年，估计语音识别就能真的做到跟人耳一样，什么口音什么环境，都能听得明明白白。到那时候，我们跟机器的交互，真的就跟跟人聊天一样了。