语音识别技术：从实验室原型到人人可用的二十年进化

你现在掏出手机，对着听筒说一句“打开付款码”，一秒跳码就能付款。
你有没有想过，仅仅十五年前，这种体验根本就是科幻片里的情节。

早年的语音识别，根本不是现在这个路子

早在上世纪五十年代，就有研究员搞出了能识别十个数字的语音识别原型。那个玩意儿大得能占半张桌子，还只能认一个人的特定发音，换个人说同一个数字，直接认不出来。

一直到九十年代之前，主流的思路都是模板匹配，你得先把每个词录几十遍模板存进去，识别的时候对着比对，匹配上哪个算哪个。别说大词汇量了，就是日常对话，根本不可能做得到。

后来隐马尔可夫模型（HMM）出来，才算是把语音识别拉上了工业化的轨道。从九十年代到2010年这二十年，全世界的语音识别都是HMM的天下。能做到几千个词的识别了，也能支持非特定人说话了，普通人终于能在消费电子上摸到这个技术了。

1990年代飞利浦消费级语音识别芯片实拍
但是那效果啊，说出来都是泪。我07年买的某品牌音乐手机，带语音拨号功能，我天天说“打给我妈”，它十次有八次给我拨出去给我爸，环境稍微吵一点，直接给我跳出一堆八竿子打不着的联系人。那时候业内甚至有个悲观的说法：有生之年看不到语音识别能比得上人耳的那天。

深度学习进场，直接重构了整个赛道

2010年前后，深度学习开始在图像领域出圈，几个敢吃螃蟹的研究员把深度神经网络用到语音识别的声学模型上，一跑结果出来，整个领域都炸了——识别错误率直接比HMM降了30%还多。

说实话，那时候我听行业前辈聊天，好多做了二三十年HMM的老研究员都懵了，说学了一辈子的公式，居然一夜之间就不香了？

往后的发展就是一路狂奔。从DNN到LSTM，再到Transformer，端到端的语音识别模型直接把从前“声学模型-语言模型-解码”三步走的框架给砸烂了，输入语音波形，直接输出文字，中间一步都省了。

端到端语音识别Transformer网络结构图
现在主流的语音识别模型，通用场景下的错字率已经不到1%，比大多数人打字出错的概率还低。你刷短视频开的自动字幕，开会用的实时记录，外卖小哥接电话用的语音转文字，全靠这波技术革命托着。

别以为语音识别就只是转文字哦。现在的语音识别技术，能顺便给你分出说话人，提取说话的情绪，识别不同的方言，甚至能实时做语音翻译——你说中文，直接出英文字幕，同传会议都能顶半壁江山。上个月我去看国内一家做无障碍设备的创业公司演示，给听障人士做的智能眼镜，就能实时把对面说话的内容转成字幕贴在镜片上，在商场那种人多吵杂的地方，准确率都能到95%以上。放十年前，谁敢想？

剩下的硬骨头，才是真正的考验

剩下的硬骨头，才是真正的考验 话说回来，现在的语音识别技术也不是完美无缺。

大家都遇到过吧，你说方言口音特别重，或者凑在手机边上说悄悄话，或者一堆人同时抢着说话，它就直接开始乱认了。那个一堆人同时说话，要把某一个人的声音分离出来识别的问题，就是业内说的鸡尾酒会问题，到现在也没有做到百分之百完美解决。更别说那种带鼻音、嗓子哑了的情况，错字率还是会蹭蹭往上涨。

现在行业里啃硬骨头的方向其实很清晰。一个是端侧语音识别，从前语音识别大部分都要把语音传到云端算，现在越来越多的模型能直接跑在手机、耳机的芯片上，不用上传数据，隐私性好了不说，延迟能降到一百毫秒以内，几乎感觉不到等待。另一个方向是多模态融合，就是把语音信息和唇动、人脸表情信息结合起来，去年好几篇顶会论文都验证了，这种方案在极端噪声环境下，错字率能再降15%以上，比纯语音模型靠谱太多。

还有就是低资源语言和方言的识别，国内好多小方言，根本没有那么多标注数据用来训练模型，现在研究院也在搞半监督、无监督训练，就是不用花大量人力标数据，也能训出能用的模型，再过两年，说不定你说任何一个地方的方言，手机都能听得明明白白。

不过我还是要吐个槽，现在不少创业公司把语音识别吹得太神了，说什么能完全代替人工转写，能秒杀同传，其实根本不是那么回事。真到了法庭记录、医疗转写那种要求零错误的场景，还是要人工校对，技术只是提效率，还没到包办一切的地步。

你今天发语音消息、刷短视频开自动字幕的时候，不妨多留意一眼。你随手用的功能，藏着好几代研究者六七十年的尝试，错了无数次才走到今天。
挺酷的，不是吗？