语音识别的前世今生 ---深度学习彻底改变对话式人工智能

“语音识别”的终极梦想，是真正能够理解人类语言甚至是方言环境的系统。但几十年来，人们并没有一个有效的策略来创建这样一个系统，直到人工智能技术的爆发。

在人工智能和深度学习领域的突破，让语音识别的探索跨了一大步。市面上琳琅满目的产品也反映了这种飞跃式发展，例如亚马逊Echo、苹果Siri 等等。

多年来，理解人类一直都是人工智能的最重要任务之一。人们不仅希望机器能够理解他们在说些什么，还希望它们能够理解他们所要表达的意思，并基于这些信息采取特定的行动。而这一目标正是对话式人工智能（AI）的精髓。

对话式AI包含有两个主要类别：人机界面、人与人沟通的界面。在人机界面中，人类与机器往往通过语音或文本交互，届时机器会理解人类 (尽管这种理解方式是有限的) 并采取相应的一些措施。

在人与人之间的互动中，人工智能会在两个或两个以上进行会话、互动或提出见解的人类用户之间构建一座桥梁。例如，一个AI在听取电话会议后，能够创立出一段简要的电话记录摘要，并跟进相关人员。

为了理解对话式AI背后的挑战与技术，我们必须研究人工智能的基本概念：机器感知与机器识别。

机器感知是指机器能够采用类似于人类自己凭感觉感知周围世界来分析数据的能力；换句话说，其本质上就是为机器赋予人类的感知能力。近来很多的人工智能算法都需要使用电脑摄像头，如目标检测和识别，都归属于机器感知范畴——主要涉及视觉处理。语音识别和分析则是那些利用听觉的机器感知技术。

机器识别是在机器感知所生成的元数据之上的推理运算。机器识别包括决策制定、专家系统、行动执行以及用户的意图等方面。一般情况下，如果没有机器识别，对AI的感知系统不会产生任何影响，而机器感知会提供适当的元数据信息来令其做出决策与执行行动。

在对话式AI中，机器感知包括所有的语音分析技术，如识别和性能分析；机器识别则包括所有与语言理解能力相关的技术，而这也是自然语言处理 ( NLP ) 的一部分。

语音识别基本分为三个主要部分：

信号位准：信号为准的目的是提取语音信号并增强信号（如果有必要的话），或是进行适当的预处理、清理和特征提取。这非常类似于每一项机器学习任务，换句话说，如果给定一些数据，我们需要做适当的数据预处理和特征提取。

噪音位准：噪音位准的目的在于将不同的特征划分成不同的声音。换句话说，声音本身并不能提供出一个足够精确的标准，而有时我们将次于原声的声音称为声学标准。

语言位准：因为我们假设这些声音都是人类所产生而且是有意义的，因此我们可以把这些声音组合成词语，然后把这些词语组合成句子。在语言位准中，这些技术通常属于不同类型的NLP技术。

深入学习对语音识别领域产生了巨大的影响，其影响非常深远，即使在今天，几乎每一个语音识别领域的解决方案都可能包含有一个或多个基于神经模型的嵌入算法。

通常而言，人们对语音识别系统的评价都基于一个名为配电盘（SWBD）的行业标准。SWBD是一个语音语料库，整合了电话中的即兴对话，包含音频和人声的副本。

语音识别系统的评估标准主要基于其误字率（WER），误字率是指语音识别系统识别错误的单词有多少。

从2008年到2011年，误字率一直都处于一个稳定的状态，位于23%至24%之间；而深度学习从2011年开始出现时起，误字率从23.6%降低至5.5%。这一重大发展对语音识别开发而言是一种变革，其误字率的改进相对提高了近77%，正是误字率的改善才使得苹果、微软的人工智能产品应运而生。

深度学习在语音识别和对话式AI领域刻下了深深的印记。而鉴于该技术最近获得的突破，我们真的正处于一场革命的边缘。

而最大的问题在于，我们是否准备赢得语音识别领域的技术挑战，并像其他商品化技术一样开始运用它呢？或者说，是否还有另一个新的解决方案正等待着我们去发现？毕竟，语音识别的最新进展只是未来科技蓝图的一小块：语言理解本身就是一个复杂而且或许更加强大的一个领域。