服務是戴爾業(yè)務發(fā)展戰(zhàn)略的重要組成部分，也是戴爾發(fā)展快的一項業(yè)務。目前，戴爾服務發(fā)展速度是行業(yè)發(fā)展速度的10倍。
哼一段旋律就能查到對應的歌曲，輸一個關(guān)鍵詞就能從一堆音頻資料里查到想要的一段話。一邊擺弄著語音軟件，趙慶衛(wèi)博士一邊說，“這些語音識別技術(shù)是近一兩年才開始應用的。”
2006年5月8日，在中國科學院聲學研究所中科信利語音實驗室里，趙慶衛(wèi)博士向記者演示了實驗室在語音識別技術(shù)的一些應用軟件產(chǎn)品。
一個單位，兩塊牌子。顏永紅的名片上印著兩家單位名稱：中科信利技術(shù)有限公司和中國科學院聲學所語音實驗室，其實這兩個指的是同一個單位。
顏永紅既是中科信利公司的董事長，同時兼任語音實驗室的主任。中科院聲學研究所所長田靜博士將這種模式稱為中科院高科技產(chǎn)業(yè)化的“試點”。
“在國內(nèi)公司里面，真正將語音識別產(chǎn)品拿出來在國家電信網(wǎng)上使用的，應該只有我們。”顏永紅表示。
*音頻搜索：從關(guān)鍵詞到內(nèi)容
“在將來數(shù)年內(nèi)，互聯(lián)網(wǎng)將成為一個浩大的視/音頻檔案庫。”顏永紅順手指了一下他桌子上的聊天攝像頭。
伴隨多媒體內(nèi)容制作成本下降，諸如《饅頭》之類網(wǎng)民自制的音視頻內(nèi)容在互聯(lián)網(wǎng)上日益增多，一段用錄音筆隨手錄下的講話、自我娛樂的博客音頻，或是用DV親手拍下的短劇，將大大激發(fā)網(wǎng)民的創(chuàng)造熱情。而3C（Computer、Communication和Consumer Electrics）融合帶來的應用，將漸漸抹平個人電腦、電視和移動設備之間的界限。然而，如何在這樣浩繁的數(shù)據(jù)庫里查找所需的片斷，亦將成為困擾互聯(lián)網(wǎng)搜索的難題。
“目前的搜索技術(shù)主要是搜索音視頻的關(guān)鍵詞，如名字或作者，并沒有辦法搜索音頻內(nèi)容。”顏永紅指出。
如今，大多數(shù)的視/音頻搜索引擎依賴于人工創(chuàng)建的文字信息，比如包含視/音頻網(wǎng)頁的環(huán)繞文字；或者注冊源的描述性文字（作品名稱或作者名字）。步入下一個網(wǎng)絡（NGN）時代時，多媒體信息將必然增多。
但由于音視頻內(nèi)容都包含在文件里面，并沒有一個直白的文字材料可以去搜索，這個時候，需要一種技術(shù)對音視頻文件去理解，只有知道了內(nèi)容以后，才能應用搜索引擎。
通過語音識別技術(shù)，可以把多媒體文件變成文字。然而，一旦實現(xiàn)了這種轉(zhuǎn)變，又將產(chǎn)生一個老問題：如何有效地進行文字搜索。
事實上，實現(xiàn)了音頻向文字的轉(zhuǎn)變，只要使用現(xiàn)有的搜索引擎技術(shù)，就可以解決這個老問題。“對于下一代搜索引擎來說，語音識別技術(shù)是關(guān)鍵。”顏永紅說道，頭略微昂高了些，眼睛直視著前方。
*前語音搜索時代的商機
有一臺遙控器，用戶就可以直接在電視上使用搜索引擎，搜索視頻語音內(nèi)容中的文字。
2006年4月27 日，在“2006微軟亞洲研究院創(chuàng)新日”開幕式上，一臺具有點播視/音頻搜索功能的電視機吸引了觀眾的目光。這是微軟亞洲研究院利用語音識別和信息檢索相關(guān)技術(shù)研發(fā)的新產(chǎn)品。
“目前，它主要應用在消費電子類產(chǎn)品上。”微軟亞洲研究院語音組副研究員趙勇表示，語音識別技術(shù)肯定會對未來的互聯(lián)網(wǎng)搜索引擎產(chǎn)生重大影響，“但現(xiàn)在還沒有在互聯(lián)網(wǎng)搜索領(lǐng)域使用。”
“我們現(xiàn)在已經(jīng)可以為客戶提供整體解決方案。”顏永紅在中科信利與富迪科技結(jié)盟儀式上表示。2006年4月20日，兩家公司宣布形成結(jié)盟，以適應真實語言環(huán)境和個性化的信息家電應用需要，并力圖在交互語音市場中推廣語音識別技術(shù)的廣泛使用。
富迪科技是應用SAM(小型陣列麥克風Small Array Microphone)硬件技術(shù)的公司，通過解決語音處理過程中遇到的回聲及噪聲，提高語音傳達的準確性。顏永紅把這種合作模式描述為：“軟件+硬件”。
語音識別系統(tǒng)的性能受許多因素的影響，包括不同的說話人、說話方式、環(huán)境噪音、傳輸信道等。
提高系統(tǒng)精確性，就是要提高系統(tǒng)克服這些因素影響的能力，使系統(tǒng)在不同的應用環(huán)境、條件下保持性能穩(wěn)定；自適應的目的是根據(jù)不同的影響來源，自動地、有針對性地對系統(tǒng)進行調(diào)整，在使用中逐步提高性能。
語音系統(tǒng)中的噪聲包括環(huán)境噪聲和錄音過程加入的電子噪聲。增強系統(tǒng)精確性的特征方法包括語音增強和尋找對噪聲干擾不敏感的特征。
富迪科技的SAM和芯片技術(shù)就是確保通信免除回聲和噪音的干擾。SAM的波束形成技術(shù)能精確地形成一個對準說話人的椎狀窄波束，只接收該說話人的聲音，同時抑制環(huán)境中的噪音與干擾。這些技術(shù)已經(jīng)成功使用在汽車免提通信/遠程通信以及VoIP電話等。
2005年，中信科利通過三家增值服務商將語音技術(shù)應用于中國電信、中國網(wǎng)通、中國移動等20個省的語音呼叫服務上。
在傳統(tǒng)的模式下，打單位電話，總是需要先轉(zhuǎn)到企業(yè)總機，再經(jīng)接線生轉(zhuǎn)向目的地。現(xiàn)在應用了語音識別技術(shù)，只要說出那個人的名字，機器就直接轉(zhuǎn)到相應人的分機上。
走在大街上，經(jīng)過音像店，手機用戶突然聽到一首歌曲，旋律很美。這時候，人們?nèi)绻胝业竭@首歌曲，怎么辦?可以用手機撥號到服務器上，對著話筒哼出這段旋律，服務臺就會告訴大家歌曲的名字和歌手的名稱。這是中科信利推出的基于分布式集群架構(gòu)的語音處理平臺TSE。
TSE可以集成多個不同的語音處理模塊，對多個服務器進行動態(tài)資源管理和負載均衡，具有容錯處理功能，可以同時處理大規(guī)模并發(fā)應用。
據(jù)介紹，一臺普通的服務器可以同時支持90線并發(fā)應用，識別準確率達到95%以上。TSE現(xiàn)有的主要功能模塊包括：語音識別、歌詞檢索、旋律識別、語音搜索以及特定網(wǎng)站語音搜索。
在演示中，趙衛(wèi)東特意演唱了一段歌曲，很快，識別模塊就列出了一長串兒備選音樂。
2005年，國內(nèi)語音合成技術(shù)企業(yè)安徽中科大訊飛信息科技有限公司通過和美國Nuance公司的合作，在語音識別技術(shù)市場開始了與中信科利的角逐。
美國Nuance公司是由原來國際上四大語音公司以及其他在語音技術(shù)方面有特點的語音公司整合而成。合并以后，Nuance成為了全球首屈一指的語音解決方案供應商，在全球語音市場穩(wěn)居。它能夠提供了從網(wǎng)絡到IVR（Interactive Voice Response，互動式語音應答）的應用方案。
憑借Nuance多達28個語種的語音識別技術(shù)和在美國宇航局太空總署研發(fā)的宇宙飛船中的語音控制技術(shù)，安徽中科大訊飛將有力地推動國內(nèi)語音市場的競爭態(tài)勢。
*全面商用尚待時日
盡管堅信語音識別技術(shù)在下一代搜索引擎中是關(guān)鍵，而且已經(jīng)有了初步的商業(yè)嘗試。顏永紅依然認為，“大規(guī)模普及商用仍需要5～10年的時間”。這主要是尚有一些技術(shù)難題有待解決。
語音識別的精確度還需要大力提高，當前的語音識別技術(shù)難免會引發(fā)一些錯誤。此外，對計算機而言，計算復雜性還太高。作為一個使用者，如果建一個網(wǎng)站進行語音搜索，可能需要大量的服務器。同時，硬件條件并不成熟。
“我們希望，‘十一五’規(guī)劃結(jié)束的時候，至少要讓相當多的人接受語音搜索，而不僅是談理念。”顏永紅表示，五年的時間，由于技術(shù)上的摩爾定律效應，計算復雜度的問題將可以解決。對于復雜性太高的問題，也許五年以后就不存在了。
對于語音識別的精確度問題，顏永紅坦言：“這需要專業(yè)人員研究算法，努力把錯誤率降下來。”
針對目前的簡單應用，語音識別技術(shù)已經(jīng)不存在什么問題。比如中科信利的中文電視廣播新聞節(jié)目識別系統(tǒng)已經(jīng)被英國Autonomy公司采用，并作為其提供給全國各電視臺的數(shù)字媒體管理系統(tǒng)中一個核心技術(shù)模塊。
若要在人機交互中讓計算機真正理解那些并不標準的發(fā)言人的語音，則尚有一定的難度。它要實現(xiàn)完全的商用，還有較長的路途要走。
在演示中，有人如果發(fā)言時帶南腔北調(diào)，或說走調(diào)的話，計算機往往不能準確辨識。顏永紅解釋，這就和人一樣，比如一個記者，講新聞、攝影方面的內(nèi)容，可能很精通，也比較好理解。但是，如果讓他坐到隔壁去聽一個化學教授的講座，可能就聽不懂。把全球互聯(lián)網(wǎng)的搜索內(nèi)容，完全放開，計算機辨別、確認則具有很大的難度。解決的途徑之一是，為搜索限定范圍，比如局限于攝影方面的內(nèi)容，語音識別準確性會提高。
再有就是多媒體的內(nèi)容理解，這要比文字的理解難度高很多。就文字而言，不管是哪種，對計算機來說，都是一大堆的0、1編碼。但對于語言來說，全世界有多少種語言，就需要有多少個開發(fā)語音識別技術(shù)的公司。
公司往上發(fā)展一步，難度不是只增加一個數(shù)量級，而是幾個數(shù)量級。這就決定了在語音搜索市場實現(xiàn)一家公司壟斷幾乎不可能。
顏永紅認為：“將來，企業(yè)也許會通過收購來完成多語種語音搜索來覆蓋市場。”語音識別很大的障礙是語言障礙。
目前，中科信利主要是做中文語音識別，英文的也有。而一旦做英文方面的識別，就需要很多英文數(shù)據(jù)。“收集這些數(shù)據(jù)很困難。”顏永宏表示。
將來是否會和中外互聯(lián)網(wǎng)搜索引擎公司合作？顏永紅表示，有接觸的愿望，但尚無實際進展。他認為，“如果我們東西做得好，他們肯定會用。當然，這還是一個不成熟的技術(shù)。”
語音識別技術(shù)帶我們走進語音搜索的新時代
更新時間： 2006-05-25 16:33:22來源： 粵嵌教育瀏覽量：725