改语音识别尚难称交互智能家居将享商业化红利

继马云年初在德国刷脸支付淘宝后，上周招商银行也推出刷脸ATM取款。相比于人脸识别、指纹识别等生物特征在金融领域大放异彩，语音识别则不温不火地渗透到人们的生活细节中。10月初，科大讯飞发布客家话版本，这是其第14种地方方言；上周，出门问问则获得Google的C轮融资，这也是Google2010年退- G36在HC模式下终于有准心了出中国后第一笔投资。

从语言学角度说，自然语言包括词法、语法、语义、语用四个阶段。目前语音识别从词法、语法的理解，逐步进入多种表达方式的语义阶段。如果说人脸识别让安全进入生物阶段，那么语音识别则让进入感官时代。真正学会主动思考的机器人时代似乎也不遥远了。

从 听得到 到 听得懂

语音识别，用人类比喻就是先用耳朵(前端模块)听进去，然后通过大脑(识别系统)理解，然后再通过嘴巴(后端解码)表达出来。耳朵与嘴巴需要的是灵敏度，而大脑则需要不断训练学习。

关于前端，汉王科技常务副总裁徐冬坚告诉： 这部分难度主要在于算法，因为目前的语音样本主要来自于移动设备，都是非标准的、自然场景的。 一般情况需要信号处理与特征处理，前者去除环境噪音，后者则对某些特定语言进行标注，从而使语言成为机器能理解的 信号 。

标注之后就进入了识别系统，一套语音系统包括声学模型与语言模型。语言模型一般采用N-G ram模型，就是统计每个词前面的单词出现的概率；声学模型主要有深度络与递进络两种，、科大讯飞、出门问问都采用前者，和人脑类似，模型中的神经元获得标注后，对比已有的标注数据，通过不断反馈错误，使得每个神经元重新学习。

但出门问问CTO雷欣告诉，深度学习络需要人工标准， 语音分析数据人工标注只需要听懂普通话就行，但对于语义分析的一些特定任务，要求语言学研究生以上级别，这导致其数据标注获取十分昂贵。

大量数据的训练也是语音识别的门槛之一，像科大讯飞对一套语言系统训练至少需要2万小时及过百万词汇量，没有足够的样本量也无法让其理解语言与文字之间的内在关系，而云数据就在这里面发挥了作用。 以前的识别只能是在PC或嵌入式的设备上运行，现在通过云端来提供服务是识别技术发展的必然趋势。 徐冬坚表示，汉王向语音民间固定资产投资下滑0.7个百分点至11.4%开发者开放API接口，而也是这些云平台的数据让语音识别变得不那么 高大上 。

同时，一套语言系统更多的学习还在于投入应用之后。这也能有效解决方言数据不足问题，比如说科大讯飞10月份刚上线客家话版本，但实际上客家话方言差异很大，目前只是以梅州为主音，在未来需要用户反馈去优化。

目前微软人工智能机器人小冰上线一年多，一开始的训练数据来自必应的搜索大数据，而现在小冰已经实现了自我成长，超过50%的数据量来自于后期用户的反馈。 微软小冰负责人李笛告诉， 同时，小冰还具有情感计算的能力，可以通过用户的客观档案、重要时间节点以及行为习惯三方面进行采集，去理解每个用户的不同。

说比听容易。如果 大脑 能够理解，解码便成了最容易的事。像小冰还听不懂粤语，但可以根据用户的定位和行为习惯表达粤语等方言俚语。根据不同场景，比如作为输入法的科大讯飞注重口语翻译文字，而出门问问的智能手表ticwatch则是将用户搜索内容通过发音字典 说 出来。