智能制造網(wǎng)APP
智能制造網(wǎng)手機(jī)站
智能制造網(wǎng)小程序
智能制造網(wǎng)官微
智能制造網(wǎng)服務(wù)號(hào)
智能控制
機(jī)器人
儀器儀表
物聯(lián)網(wǎng)
3D打印
工業(yè)軟件
回放
品牌
其他品牌
近幾年來，我們?nèi)〉昧司薮蟮募夹g(shù)進(jìn)步。語音識(shí)別引擎的準(zhǔn)確性已經(jīng)提高了很多，現(xiàn)在達(dá)到了95%的準(zhǔn)確度，略高于人類的成功識(shí)別率率。隨著這項(xiàng)技術(shù)的改進(jìn)，語音優(yōu)先的基礎(chǔ)設(shè)施變得越來越重要，導(dǎo)致亞馬遜，蘋果，谷歌，微軟和百度都迅速進(jìn)行布局，發(fā)布軟件構(gòu)建模塊和平臺(tái)。語音似乎要興起了。
在本文中，作者總結(jié)了：我們目前掌握語音識(shí)別技術(shù)的現(xiàn)狀，以及基礎(chǔ)設(shè)施如何圍繞語音發(fā)展起來，以了解過去幾十年來這一領(lǐng)域發(fā)生了什么。
語音是自然的溝通方式，但語音并不是機(jī)器交互的主要界面。自從愛迪生發(fā)明留聲機(jī)之后，人們一直在和機(jī)器交談，但是主要為了與他人進(jìn)行通信，而不是與機(jī)器本身進(jìn)行通信。到了20世紀(jì)80年代，語音識(shí)別技術(shù)將口語轉(zhuǎn)化為文本的識(shí)別率開始足夠準(zhǔn)確。2001年，計(jì)算機(jī)語音識(shí)別達(dá)到了80%的準(zhǔn)確度。我們可以從口頭對(duì)話中提取意義，并做出回應(yīng)。然而，在大多數(shù)情況下，語音技術(shù)仍然不足以提供比鍵盤等界面更好的體驗(yàn)。
語音識(shí)別歷史
語音識(shí)別不是新鮮事，起源于上世紀(jì)五十年代，但多年來一直存在多種理解語音的方式。
個(gè)語音識(shí)別系統(tǒng)是基于簡(jiǎn)單的模式匹配。這些早期系統(tǒng)的一個(gè)很好的例子是公用事業(yè)公司使用自動(dòng)化系統(tǒng)讓客戶不用看儀表讀數(shù)。在這種情況下，客戶端對(duì)系統(tǒng)的回答是一個(gè)有限的選項(xiàng)列表中的一個(gè)字或數(shù)字，計(jì)算機(jī)只需要區(qū)分有限數(shù)量的不同聲音模式。它通過將每個(gè)聲音塊與其存儲(chǔ)器中的類似存儲(chǔ)模式進(jìn)行比較來實(shí)現(xiàn)。
在1952年，貝爾實(shí)驗(yàn)室的一個(gè)團(tuán)隊(duì)設(shè)計(jì)了能夠理解口頭數(shù)字的機(jī)器Audrey。
1970年代
技術(shù)進(jìn)步導(dǎo)致了基于模式和特征分析的語音識(shí)別系統(tǒng)的發(fā)展，其中每個(gè)單詞被分解成小部分并且從關(guān)鍵特征(例如它包含的元音)中被識(shí)別。這種方法涉及聲音的數(shù)字化和將數(shù)字?jǐn)?shù)據(jù)轉(zhuǎn)換成頻譜圖，將其分解成聲音幀，分離單詞并識(shí)別每一個(gè)關(guān)鍵特征。為了識(shí)別可能已經(jīng)說過的內(nèi)容，計(jì)算機(jī)必須將每個(gè)單詞的關(guān)鍵特征與已知功能的列表進(jìn)行比較。系統(tǒng)越來越好，因?yàn)樗闪藖碜杂脩舻姆答仭＿@種方法比以前的方法要得多，因?yàn)榭谡Z的基本組件聲音數(shù)量相當(dāng)有限。
從1971年到1976年，DARPA資助了五年的語音識(shí)別研究，目標(biāo)是終能夠理解至少1000字的機(jī)器。該計(jì)劃導(dǎo)致卡耐基-梅隆大學(xué)大學(xué)創(chuàng)造了一個(gè)能夠理解1011個(gè)單詞的機(jī)器。
1980年代
但是此前的技術(shù)仍然不是非常的，因?yàn)檠哉Z中存在的巨大的復(fù)雜性：不同的人可以用不同的方式說出同一個(gè)詞，有許多相似的詞(例如two和too)等等。語音識(shí)別系統(tǒng)開始使用統(tǒng)計(jì)學(xué)方法。在此期間推出的關(guān)鍵技術(shù)是馬爾可夫模型(HMM)，用于建立聲學(xué)模型和隨機(jī)語言模型。
聲學(xué)模型代表音頻信號(hào)和語言中的語音單元之間的關(guān)系，以重建實(shí)際發(fā)出的內(nèi)容(特征→音位)。語言模型基于后一個(gè)單詞預(yù)測(cè)下一個(gè)單詞(單詞→句子)，例如。“God save the“之后可能出現(xiàn)的單詞是Queen(天佑女王)，另外，還有一個(gè)語音字典/詞典提供關(guān)于單詞及其發(fā)音的數(shù)據(jù)，并且連接聲學(xué)模型和語言模型(音素→單詞)。終，語言模型分?jǐn)?shù)與當(dāng)前單詞的聲學(xué)分?jǐn)?shù)相結(jié)合，以確定單詞序列的排序。
玩具娃娃Julie Doll在1989年將家庭語音識(shí)別技術(shù)帶到家庭中?？梢詭椭鷥和?xùn)練語音、說話。
一直到20世紀(jì)90年代，語音識(shí)別系統(tǒng)的速度都太慢，無法開發(fā)有用的應(yīng)用程序，但是當(dāng)時(shí)出現(xiàn)的更快的微處理器可以進(jìn)行重大改進(jìn)，而個(gè)語音識(shí)別商業(yè)應(yīng)用開始出現(xiàn)。
Dragon公司在1990年推出Dragon Dictate，是個(gè)消費(fèi)級(jí)語音識(shí)別產(chǎn)品。在1997年，你可以在一分鐘內(nèi)說100個(gè)字。
2000年代
計(jì)算機(jī)語音識(shí)別在2001年達(dá)到了80%的準(zhǔn)確度，但沒有多少進(jìn)展。
2010年代
在過去十年中，機(jī)器學(xué)習(xí)算法和計(jì)算機(jī)性能的進(jìn)步已經(jīng)導(dǎo)致了更有效的深層神經(jīng)網(wǎng)絡(luò)(DNN)訓(xùn)練方法。
因此，語音識(shí)別系統(tǒng)開始使用DNN，更具體地說，是DNN的特殊變體，即循環(huán)神經(jīng)網(wǎng)絡(luò)(RNN)?；赗NN的模型顯示出比傳統(tǒng)模型更好的精度和性能。事實(shí)上，2016年的語音識(shí)別準(zhǔn)確度達(dá)到了90%，Google聲稱在2017年6月達(dá)到95%的準(zhǔn)確率。
這是非常驚人的，要知道研究人員估計(jì)人類轉(zhuǎn)錄精度略低于95%。然而，這些公布的結(jié)果應(yīng)該仔細(xì)考慮，因?yàn)樗鼈兺ǔＴ诘臈l件下測(cè)量，例如，沒有背景噪音和英語母語的錄音。在“非無菌條件下”的準(zhǔn)確度可能快速下降到75-80%。
當(dāng)你需要標(biāo)記數(shù)據(jù)來訓(xùn)練算法時(shí)，現(xiàn)在面臨的挑戰(zhàn)是獲取現(xiàn)實(shí)生活中數(shù)千小時(shí)的口語音頻，以提供給神經(jīng)網(wǎng)絡(luò)并提高語音識(shí)別系統(tǒng)的準(zhǔn)確性。這就是Google，亞馬遜，蘋果和微軟正在通過將Google Now，Siri和Cortana在手機(jī)免費(fèi)提供服務(wù)，以便宜的價(jià)格銷售Alexa智能音響的原因。一切都是為了獲取訓(xùn)練數(shù)據(jù)！
語音基礎(chǔ)設(shè)施的開發(fā)
語音基礎(chǔ)設(shè)施開發(fā)可以分為3個(gè)必需的層次：新的應(yīng)用程序出現(xiàn)：(1)硬件允許更多的人使用語音作為接口(2)軟件構(gòu)建塊，使開發(fā)人員能夠構(gòu)建相關(guān)的語音優(yōu)先的應(yīng)用程序(3)生態(tài)系統(tǒng)，以實(shí)現(xiàn)有效的分配和商業(yè)化。
語音分析公司Voicelabs將語音優(yōu)先設(shè)備定義為始終在線的智能硬件，而其中主界面是語音，包括輸入和輸出。市場(chǎng)上語音優(yōu)先的硬件是2014年底發(fā)布的智能音箱Amazon Echo。根據(jù)2017年VoiceLabs的報(bào)告，2015年發(fā)布的語音優(yōu)先設(shè)備達(dá)170萬臺(tái)，2016 年將達(dá)到650萬臺(tái)，2017年將有2450萬臺(tái)設(shè)備發(fā)貨，市場(chǎng)總流通設(shè)備數(shù)達(dá)到3300萬臺(tái)。
市場(chǎng)上的主要智能音響是Amazon Echo(2014年11月)和Google Home(2016年11月)。然而，新玩家正在迅速進(jìn)入市場(chǎng)：索尼推出了內(nèi)置Google助手(2017年9月)的LF-S50G，蘋果即將推出Homepod(2017年12月)，三星也近宣布“即將發(fā)布”，F(xiàn)acebook可能會(huì)發(fā)布帶觸摸屏的智能揚(yáng)聲器。Google助手還將來到一些新的智能音響，其中包括Anker的Zolo Mojo，Mobvoi的TicHome Mini和松下的GA10。
無疑，語音優(yōu)先的硬件層正在快速發(fā)展，預(yù)計(jì)會(huì)有所增長(zhǎng)！
語音優(yōu)先應(yīng)用程序的軟件構(gòu)建門檻降低
從頭開始構(gòu)建語音應(yīng)用程序不是一件容易的事情。Nuance和其他大型公司已經(jīng)向第三方開發(fā)人員提供語音識(shí)別API，但是使用這些API的成本歷來相當(dāng)高昂，并沒有獲得很好的結(jié)果。
隨著語音識(shí)別技術(shù)開始取得更好的成果，語音優(yōu)先應(yīng)用的潛力越來越大，像Google，亞馬遜，IBM，微軟和蘋果以及Speechmatics這樣的大型公司開始在較低級(jí)別提供各種低價(jià)的API產(chǎn)品。
一些常用的包括2016年7月發(fā)布的Google Speech API，和2016年11月發(fā)布的亞馬遜Lex和Amazon Polly。
現(xiàn)在，大量開發(fā)人員可以以合理的成本構(gòu)建語音優(yōu)先的應(yīng)用程序。
語音優(yōu)先生態(tài)系統(tǒng)的出現(xiàn)
隨著越來越多的語音優(yōu)先應(yīng)用和硬件帶來越來越多的語音交互界面，平臺(tái)不僅需要解決了分發(fā)和商業(yè)化，分析和營(yíng)銷自動(dòng)化等第三方服務(wù)也越來越重要。
(原標(biāo)題：為什么說語音可能是下一個(gè)Big thing？ 本文原作者Savina van der Straten，Point Nine Capital 的投資人，由騰股創(chuàng)投編譯整理。)
浙公網(wǎng)安備 33010602000006號(hào)
智能制造網(wǎng)APP
智能制造網(wǎng)小程序
微信公眾號(hào)
