语音识别技术：早就不是你以为的转文字工具了
从“猜声音”到“懂语言”，底层逻辑换了三茬
早在上世纪五十年代，全世界第一个语音识别系统就出来了，那玩意儿什么水平？只能认0到9十个数字，还得同一个人慢慢说，换个人就认不出来。错一半都是常事。
后来到了九十年代，统计模型起来了，GMM-HMM架构统治了业界快二十年，那时候终于能认连续语音了，普通人慢慢说，它能转个七七八八。可你只要口音重一点，周围有点背景音，它直接给你瞎编内容。说实话我早年玩初代Siri，问“今天北京天气”，它给我打开炒股软件，这种事都发生过好几次，笑到直不起腰。
直到最近十年，深度学习起来，Transformer架构横空出世，整个赛道直接换了玩法。现在主流的端到端语音识别模型，根本不需要拆分声学模型、语言模型分开训练，直接从语音波形输出文字，准确率直接拉到95%以上，日常使用跟普通人耳识别的准确率差不了多少。
语音识别技术三代模型演进对比图
现在别说标准普通话，你带点川普粤普，甚至说话中途混几个英文单词、网络热词，它都能给你顺对。前阵子我看中科院自动化所公开的最新成果，多方言混合语音识别的准确率已经做到92%以上，比很多本地人听外地口音准多了。
除了打字，语音识别技术偷偷钻进了这些场景
大部分人对语音识别的印象还停留在输入法转文字，实际上这玩意儿早就渗透进各行各业，偷偷帮我们省了不知道多少事。
线下餐饮高峰期，服务员哪有空慢悠悠点屏幕？对着点餐机说一句“三份微辣招牌烤鱼，加两份冰粉少糖”，直接入单扣库存，比手点快三倍还不容易出错。
更厉害的是助听领域。现在很多智能助听设备已经用上了定制化语音识别技术，能过滤掉环境杂音，定向增强你想听的声音，甚至能实时把方言转成普通话播放给听障用户。我之前看过一篇人物采访，有个退休的听障阿姨说，用了这个设备，终于能听懂从外地回来上大学的孙子说的话了，看到那段的时候瞬间戳中我。
语音识别技术智能助听设备应用场景图
还有我自己天天用的，采访录音转写。之前做专栏采访，两个小时的录音，我得安安静静坐四个小时逐句整理，整理完腰都直不起来。现在直接丢给带语音识别的工具，十分钟转好，我只要改几个专业名词的错字就行，省出来的时间能多写半篇稿子。
不过话说回来，现在也不是完美。上次我去一个行业发布会，台底下全是拍照鼓掌的声音，发言人拿话筒离得远，转出来错了快三分之一，还是挺尴尬的。
接下来，语音识别技术还要啃哪些硬骨头
接下来，语音识别技术还要啃哪些硬骨头
现在看起来准确率已经很高了，但要真的做到像人一样随便在哪都能听懂，还差得远。
第一个硬骨头就是复杂场景。远场收音、多人同时说话、背景噪音大，这些场景下现在的模型准确率还是会掉的厉害，刚才说的发布会就是例子。还有专业领域，你说一堆生僻的医学术语、航空航天术语，通用模型直接懵，转出来驴唇不对马嘴，还得一个个定制调优，成本不低。
第二个绕不开的就是隐私。现在大部分语音识别都是云端处理，你说的话要上传到服务商的服务器才能转写，很多人担心隐私泄露，也不是多余的。现在行业里都在推端侧语音识别，所有计算都在你自己的手机、设备本地完成，不用上传数据，既降低了延迟，又解决了隐私问题。现在国内旗舰手机的离线语音唤醒，已经都是端侧做的了，说实话我挺期待全端侧语音识别普及的，毕竟谁也不想自己私下聊天的内容被传到第三方服务器对吧。
还有一个方向就是多模态结合。以后的语音识别肯定不会只转文字，要结合摄像头拍到的场景、你之前说的上下文、甚至你的表情动作，来理解你到底说的是什么。比如你对着手机说“我要这个，要大一号的”，它能结合你正在看商品的画面，直接理解你要的是这件M码的黑色卫衣，不用你再反复说清楚。
你仔细想就会明白，语音识别是AI和人交互的第一道关口。以后不管是智能家居还是虚拟现实，最自然的交互肯定是张嘴说话，不用动手点来点去。现在语音识别技术的每一步进步，其实都是在给下一代交互铺路子。前阵子OpenAI出的实时语音翻译，你说中文，对方那边半秒就能出英文语音，跟面对面聊天几乎没差，这不就是几十年前科幻电影里才有的翻译耳机吗？
我们天天用，很少会想这项技术从实验室出来，已经走了近七十年。从只能认十个数字，到现在揣在口袋里帮我们干各种活，真的踩了无数坑才有今天。以后肯定还会更有意思，对吧。