和Siri說“儂好”，它聽得懂嗎？
日期：06-04-2024
作為一名合格且優(yōu)秀的智能助理，Siri肯定不是只會講笑話的“人工智障”。
只需要動動嘴，Siri就能打電話、發(fā)短信、定鬧鐘、放音樂，也可以幫你這個“金魚腦子”記記瑣事——比如“我車又停哪里了？”。
圖源：Apple官網(wǎng)
能干的Siri，能干的遠不止這些。在語音識別技術(shù)進入車載導航、家居電氣、客服服務等領(lǐng)域后，智能生態(tài)系統(tǒng)不斷完善，調(diào)節(jié)燈光亮度、找個加油站，它也能輕松拿捏。
雖然Siri在2007年才成立，但“人類通過語音命令操作機器”這個想法早在20世紀60年代便出現(xiàn)了，并在1962年西雅圖世博會上成功現(xiàn)世后引起了人們極大的興趣。
世博創(chuàng)新A-Z：語音識別
A to Z of Innovations at Expos
1961年：語音識別技術(shù)誕生
1957年10月4日，蘇聯(lián)發(fā)射了第一顆人造地球衛(wèi)星，美國隨后急起直追，“太空競賽”由此拉開序幕。以“太空時代的人類”為主題的1962年西雅圖世博會是一個科學博覽會，以“讓科學占據(jù)顯著的地位，為人類進步和幸福而努力”為方針，將未來與空間緊密聯(lián)系在一起。
1962年西雅圖世博會展館內(nèi)景
格雷厄姆公司設(shè)計的標志性建筑“太空針”就充分體現(xiàn)了時代精神。拔地而起的3支鋼架凌空會合又彼此張開，輕輕托舉著一只碩大的“飛碟”，充滿了神奇浪漫的科幻氣息。“太空針”高184米，“飛碟”直徑42米，成為密西西比河西部首屈一指的地標。
1962年西雅圖世博會
“太空針”
加州理工大學和華盛頓大學建筑系教授參與了工程設(shè)計，“太空針”足以承受每小時320公里的颶風和9級地震，這種超常的穩(wěn)定性和安全性來自10米深、6000噸重的鋼筋水泥基礎(chǔ)。當?shù)叵虏糠值馁|(zhì)量幾乎和地上部分相等，“太空針”的重心僅僅高于地面1.5米。
世博會博物館第3展廳“樂觀信念”展出的
太空針模型
作為IBM于1961年設(shè)計的實驗性設(shè)備，Shoebox是掌握語音識別的早期嘗試。它的開發(fā)者William C. Dersch在該博覽會上首次展示。
Shoebox（圖源：IBM官網(wǎng)）
機器將識別對著麥克風說的16個單詞，并將這些聲音轉(zhuǎn)換成電脈沖。與現(xiàn)代語音識別系統(tǒng)一樣，用戶可以看到他們說的話，確保沒有“誤解”。
1962年西雅圖世博會科技館
該技術(shù)在世博會上的展出讓語音識別技術(shù)的發(fā)展得以加速，對后來Siri、Alexa和Watson AI也造成一定影響，但直到進入21世紀，語音識別技術(shù)才變得普遍。
Watson AI
現(xiàn)在，語音識別遠不局限于簡單的數(shù)學運算，而是在我們的手機、電腦、手表、汽車上，以及在我們的家中，幫助人們執(zhí)行或完成大量的任務，并對查詢做出回應。
實時同聲翻譯的實現(xiàn)
語音識別技術(shù)可以在語言翻譯系統(tǒng)中實現(xiàn)輸入、輸出、分類等功能：將語音信號捕捉并轉(zhuǎn)換為文本，從而實現(xiàn)語言翻譯系統(tǒng)的輸入；幫助語言翻譯系統(tǒng)識別輸入語言的類型，從而選擇合適的翻譯模型；將翻譯后的文本轉(zhuǎn)換為語音信號，從而實現(xiàn)語言翻譯系統(tǒng)的輸出。
在語言翻譯系統(tǒng)中，語音識別技術(shù)可以實現(xiàn)實時、高效、方便的語言翻譯，因而被廣泛應用于會議翻譯、遠程會議、語音郵件等場景。
華為AI字幕
華為 AI 字幕可以將手機內(nèi)的視頻或他人說的話實時轉(zhuǎn)為文字，并以字幕的形式呈現(xiàn)在屏幕上，使看視頻更方便；也可以幫助聽力不佳人士，打電話時可以將接收的語音轉(zhuǎn)為文字，還可以將輸入的文字轉(zhuǎn)為語音發(fā)送給對方；當與他人進行面對面交流時，將對方說的話轉(zhuǎn)換成文字字幕，并可以將輸入的文字實時轉(zhuǎn)換成語音播放給對方聽。
百度AI同傳助手
提供高質(zhì)量、低延遲的機器同傳服務解決方案——百度 AI 同傳助手，支持同傳雙語字幕投屏，手機掃碼會議二維碼即可收聽同傳語音，視聽一體的沉浸式同傳體驗；支持中、英、日、韓等多語種同傳；會議后自動生成雙語會議紀要，不漏掉任何會議細節(jié)，助力會議內(nèi)容快速整理。
支持方言的“轉(zhuǎn)文字”
在開發(fā)Shoebox的過程中，有人觀察到不同的單詞會使用更高或更低的音調(diào)，從而實現(xiàn)了通過音頻過濾器來調(diào)節(jié)音調(diào)，以便正確區(qū)分每個單詞。但發(fā)展早期(1950年代至1970年代)的語音識別技術(shù)主要基于手工設(shè)計的特征提取和模式識別方法，如傅里葉變換、波形比較等。這些方法的準確率相對較低，且對不同語言和口音的適應性較差。
Shoebox（圖源：IBM官網(wǎng)）
信息時代下，語音信息的交流越來越多，“轉(zhuǎn)文字”功能的運用也深入人心。但發(fā)語音的人有時更偏好方言，“轉(zhuǎn)文字”卻聽不明白，輸出的結(jié)果也五花八門，等到能聽語音時，溝通效率難免大打折扣。
中國電信人工智能研究院（TeleAI）于近日發(fā)布了業(yè)內(nèi)首個支持30種方言自由混說的語音識別大模型——星辰超多方言語音識別大模型，打破單一模型只能識別特定單一方言的困境。
和Siri說“儂好”，它還真可能聽得懂。
1962年西雅圖世博會上首次展現(xiàn)的語音識別設(shè)備僅能識別特定音節(jié)，在人工智能技術(shù)和深度學習技術(shù)的快速發(fā)展下，語音識別技術(shù)得以突破，能夠處理連續(xù)的語音流，并準確反饋。現(xiàn)在，語音識別技術(shù)不僅能夠應用于會議記錄、翻譯交流、AI字幕、智能家居等場景，還能夠在方言環(huán)境下實現(xiàn)信息傳遞功能。未來，該技術(shù)將會更加智能化、個性化。
編輯：趙翊苓