過去三十年里，語音識別是這樣的：您能夠和自己的計算機交談，通常使用頭戴式麥克風(fēng)，使用微軟Windows中未公開的語音識別應(yīng)用軟件，或者Nuance通信公司“龍自然語言”版的應(yīng)用軟件。如果您發(fā)音很清晰，那么屏幕上就會顯示出單詞，然后執(zhí)行命令。
今天，改進很大的語音識別技術(shù)得到了廣泛應(yīng)用，在過去兩年中，它催生了一類新的消費系列產(chǎn)品：語音控制的個人助理。VoiceLabs公司為語音應(yīng)用軟件開發(fā)人員提供分析技術(shù)，該公司創(chuàng)始人之一AdamMarchick表示：“這是經(jīng)過了30年的沉淀而一夜成名。它終于變得足夠精確，足以能進行對話了。”
和大多數(shù)技術(shù)一樣，語音識別的發(fā)展也是逐步的。2017年8月，微軟宣布，根據(jù)行業(yè)標準測試，其會話語音識別系統(tǒng)的單詞識別準確度已經(jīng)超過了專業(yè)人類轉(zhuǎn)錄員的識別準確度。在此類測試中，專業(yè)人員的平均錯誤率為5.9%，而微軟系統(tǒng)達到了5.1%。
微軟技術(shù)研究員，也是該公司語音和語言部負責人黃學(xué)東說：“這就像夢想成真。1993年我們在微軟開始語音識別時，錯誤率大約是80%。1982年，我在讀研究生的時候開始研究語音識別技術(shù)，那時，我們面對的是孤立的單詞，根本不敢想象軟件能夠像人那樣識別出對話。”
Nuance首席技術(shù)官Vlad Sejnoha說：“今天，如果您在一間安靜的辦公室里，清晰的用普通口音說話，那么語音識別準確率能接近100%。”
這樣的準確度意味著人們能更好的與自己的電話進行交談，更輕松高效的與客戶服務(wù)呼叫中心的機器人聊天，在家里和辦公室里使用語音命令。
逐漸累積的進步
Sejnoha說，該技術(shù)能夠達到目前的水平，也是一步步走過來的。Sejnoha說：“15到20年來，我們使用的主要技術(shù)是基于統(tǒng)計學(xué)的，特別是隱藏Markov模型。我們有各種各樣的模型來預(yù)測這個片段是某個特定音素產(chǎn)生的可能性，或者某個單詞應(yīng)該合理的出現(xiàn)在某種上下文環(huán)境中。我們開發(fā)了各種變體，并且能夠穩(wěn)步進展。
他補充說：“近年來，傳統(tǒng)的統(tǒng)計方法已經(jīng)被深度學(xué)習(xí)（神經(jīng)網(wǎng)絡(luò)）模型所取代，這些模型非常靈活，而且比以前更能推動系統(tǒng)的發(fā)展。結(jié)果在過去10年中，錯誤率平均每年下降20%。”他說，語音識別現(xiàn)在能夠為更多的人提供服務(wù)，用在各種各樣的環(huán)境中。Sejnoha舉了一個語音識別仍然不能很好工作的例子，他說：“在雞尾酒會上還是要喊。”
Sejnoha預(yù)計每年20%的改善率仍然會繼續(xù)下去，不僅越來越適應(yīng)嘈雜的環(huán)境，而且還能適應(yīng)很多特殊的情況。他指出：“理解多種語言越來越重要，在歐洲借助GPS地圖，還必須做一些工作，比如理解德國司機所說的法語地名。普通話有很多外來詞，其發(fā)音因人而異。”
關(guān)鍵點
隨著每年20%改善率的累積，大廠商開始使用深度學(xué)習(xí)來制作自己的語音識別引擎。后來，他們越來越信任該技術(shù)，認為它足以支持新一類消費產(chǎn)品——個人助理，先是作為應(yīng)用軟件（例如，蘋果的Siri和微軟的Cortana），后來作為獨立的設(shè)備（例如，基于Alexa服務(wù)的亞馬遜的Echo，基于谷歌助理服務(wù)的谷歌Home，等）。
這類系統(tǒng)的語音識別是在云中進行的。這些設(shè)備在收到“OK Google”類似的命令提醒后，開始收聽，傳送出語音數(shù)據(jù)。
Marchick解釋說:“設(shè)備非常薄，就像Unix終端一樣。計算機在云中，它們會待命，聽它們的名字，就是這樣。”
語音和視覺技術(shù)公司Sensory首席執(zhí)行官ToddMozer補充說：“長期以來，語音識別的重點一直放在計算機上，但在過去的5到10年間，重點轉(zhuǎn)向了消費類技術(shù)。第一個關(guān)鍵事件是SteveJobs發(fā)布了Siri，表明了對語音識別的支持。蘋果無論做什么都會是消費類電子產(chǎn)品的典范。第二個關(guān)鍵事件是亞馬遜發(fā)布基于Alexa的產(chǎn)品，例如Echo。”
Marchick說：“當我們在一年前開始這項業(yè)務(wù)時，市場上只有亞馬遜的Echo，以及幾萬臺設(shè)備。很快Echo將面對7個競爭對手，預(yù)計今年年底會有三千三百萬臺設(shè)備投入使用。語音交互會大幅度攀升。此前，有三百人為這些設(shè)備制作語音應(yīng)用程序。而一年后的現(xiàn)在，有一萬六千人。”
Marchick說，Echo的競爭對手包括谷歌Home，再加上未發(fā)布的蘋果HomePod；運行微軟Cortana的未發(fā)布的Harman/KardonInvoke；還有三星Galaxy智能手機的三星Bixby；其中至少有兩個是中文系統(tǒng)。
擴展應(yīng)用
但事實證明，這些供應(yīng)商通常會提供軟件開發(fā)工具包，使其語音識別引擎能夠被用來開發(fā)使用自然語言作為接口的應(yīng)用程序。對話技術(shù)公司顧問Deborah Dahl說：“自然語言和語音識別令人興奮之處在于這些工具包的開發(fā)。他們對其進行設(shè)置，以便普通開發(fā)人員都能夠使用在線工具創(chuàng)建口語系統(tǒng)。這真的降低了難度，所以不需要成為自然語言專家便能夠開發(fā)客戶服務(wù)應(yīng)用程序。”
SherifMityas是達拉斯TGI星期五連鎖餐廳的首席信息官，說他的公司能夠在5個月內(nèi)啟動一個基于語音的接口應(yīng)用程序，該應(yīng)用程序是采用亞馬遜Alexa工具包Lex開發(fā)的。他補充道，對于手機用戶和亞馬遜Echo用戶，它用起來也是一樣的，唯一的區(qū)別是手機用戶通常四處走動，需要確定方向。
Marchick說：“應(yīng)用程序開發(fā)過程就像創(chuàng)建一個網(wǎng)頁。您有很多服務(wù)可以使用，您編寫代碼，然后發(fā)布代碼，最后進行測試。”
Dahl指出，“如果您花幾天的時間去適應(yīng)GUI，那么這個過程會非常簡單。最難的是，它們不會幫助您設(shè)計應(yīng)用程序——如果您對結(jié)果沒有一個清晰的概念，那么當您看到?jīng)]有覆蓋所有應(yīng)該覆蓋的用例時，您不得不回頭去做大量的返工工作。”以一個比薩訂購應(yīng)用程序為例，“您必須想清楚所有需要由用戶提供的東西：澆料、厚度、尺寸和醬汁，等等。您可以在幾星期內(nèi)自己完成，但是必須和訂購系統(tǒng)的后端保持一致。”
Mityas說，TGI星期五餐廳應(yīng)用軟件的主要難點是怎樣簡化菜單選項。他說，菜單上有15個配菜，如果讓Alexa去列出這些菜會很麻煩，但開發(fā)人員發(fā)現(xiàn)他們可以列出最受歡迎的三個配菜，然后讓用戶去選擇更多的配菜。
Dahl說：“在現(xiàn)實生活中，您不會去預(yù)測用戶會說什么。用戶總是出人意料，所以會有一段時間的調(diào)整。”比薩訂購應(yīng)用軟件的用戶“會問起面包棒。他們會要求您不要像上次那樣沒做熟。系統(tǒng)必須采集到這些，否則就會徹底失敗。”
為預(yù)測用戶會說些什么，對話人工智能系統(tǒng)（例如，企業(yè)虛擬客服）提供商NextIT最先研究了企業(yè)與公眾互動最有可能使用的詞匯。
NextIT總裁Tracy Malingo表示：“作為經(jīng)驗，當我們?yōu)榱诵驴蛻舳佑|一個新商業(yè)領(lǐng)域時，我們希望有1萬到2萬次經(jīng)過策劃的對話，我們可以從中獲取數(shù)據(jù)。這些可以是電話、聊天記錄、推特饋送——我們將處理任何涉及企業(yè)和消費者之間來回交互的文本對話。”
Mityas指出，使用語音交互比基于文本的交互效果更好，因為用戶可以暢所欲言，建立起人工智能可以使用的情景。他補充說，文本交互往往只是孤立的問題。
最后，Malingo說，訓(xùn)練虛擬客服的時間和培訓(xùn)人類客服的時間大致相同。她指出：“而虛擬客服一旦完成訓(xùn)練，它就永遠不會休息，每天工作24小時，回答成千上萬的問題。”
Malingo解釋說，虛擬客服的成本取決于應(yīng)用程序和行業(yè)的復(fù)雜性。但是其成本比率通常是固定的，她說：“如果一個現(xiàn)場電話的成本是一美元，那么與現(xiàn)場客服進行網(wǎng)絡(luò)文本聊天的成本是50美分，因為客服每次可以同時進行多個聊天。而虛擬客服的成本將是5美分。”
Mityas可以為私有企業(yè)TGI星期五餐廳提供免費的數(shù)據(jù)，但他說，使用語音識別技術(shù)已經(jīng)使在線用戶的參與度提高了兩倍，在不到一年的時間里，外賣的銷量也翻了一倍。
升級點
Malingo說，虛擬客服的使用并不意味著所有的人類客服都會被取代。實際情況是，“升級點”（在這一點，致電者必須被轉(zhuǎn)給現(xiàn)場客服）被抬高了。
員工福利管理公司Alight解決方案公司技術(shù)總監(jiān)Ibrahim Khoury對此表示同意，升級點是關(guān)鍵。Khoury說，通過引入自然語言客服來處理每年的招聘活動，公司能夠把轉(zhuǎn)給人類客服的對話減少94%。
采用了虛擬客服后，Khoury補充說：“我們正在努力解決大批量的低價值問題，讓客戶快速提問，快速得到答案。Khoury說：”這為人類客服處理少量的高價值問題打開了大門，比如‘我失去了我的配偶’該怎么辦？“
但調(diào)整不會結(jié)束。如果系統(tǒng)能回答85%到90%的問題，您會很高興。它在開始時可能會停留在60%左右。但總有10%的問題系統(tǒng)永遠無法理解。
Malingo指出，與機器人交互的時間通常要少一些，因為閑聊少了。她補充說：“然而，這是令人愉快的，人們幾乎每次都要感謝機器人。”
至于實際的可靠性，Marchick說：“當您可以限制應(yīng)用程序時，例如，只談?wù)撆_，那么語音識別的質(zhì)量是驚人的。但是當您進行一般的對話時，您還沒有把該技術(shù)完全理想化，因此，即使出現(xiàn)怪異的對話，您也不會誤解它。如果您想在開會和記筆記的時候打開它，那真的很難，因為會議可能是關(guān)于任何主題的，而要想總結(jié)對話也真的很難。如果您在酒店房間里使用它來處理您想要的有限的操作——音樂、客房服務(wù)，或者電影，環(huán)境受到一定限制，它會工作得很好。”Dahl指出，識別引擎通常會為每個單詞返回一個介于0和1之間的置信度值，程序員可以決定什么時候要求用戶要求重說一遍。然而，怎樣確定好的置信度是一種藝術(shù)，如果置信度模糊不清，會導(dǎo)致用戶被接二連三的要求重說一遍，引起用戶的反感。
她說：“如果問用戶，您說的是‘美國’還是‘USA’，這就會讓用戶反感。”并且，Dahl警告說，“如果設(shè)計考慮的太多，那就會沒完沒了，這包括：地區(qū)口音、兒童、惡意用戶、隱私等等考慮因素。”
然而，識別引擎的選擇并不是重要的考慮因素。當被問及哪家供應(yīng)商的產(chǎn)品更適合哪項工作時，Malingo說，“我們看不出他們之間的差異。”
另一個關(guān)鍵點
當普遍認為語音識別已經(jīng)足夠好的時候，2017年4月12日發(fā)生的一件事改變了人們的看法，當時，漢堡王（BurgerKing）播放了一則電視廣告，想要欺騙任何正在收聽廣告的谷歌Home設(shè)備。
在廣告中，主持人說，“您正在收看的是一個15秒鐘的漢堡王廣告，遺憾的是我們沒有足夠的時間來解釋W(xué)hopper三明治有什么樣的新鮮食材。但我有個主意。那么，谷歌，Whopper漢堡是什么？“
所有聽到這個問題的谷歌Home設(shè)備，其回答都是背誦維基百科上Whopper漢堡頁面的內(nèi)容。一位不愿透露姓名的谷歌女發(fā)言人說，谷歌在當天阻止了這種回答。她說：“我們的主要目標是，谷歌Home在您需要的時候提供幫助，而不是在您不想要的時候幫助您。”
同時，語音識別顧問BillMeisel指出，如果您想要使用語音識別工具在計算機上撰寫文本，那么，Windows語音識別和Dragon Naturally Speaking仍然是不錯的選擇。他補充說：“這是律師和醫(yī)生的專業(yè)領(lǐng)域——但如果您想在手機上口述筆記，Cortana會讓您得償所愿。”
至于最終會怎樣，黃指出，“PC讓計算普及開來，而移動計算讓PC普及開來。下一轉(zhuǎn)變將是環(huán)境計算，那時，您不會被束縛在設(shè)備上。語音識別將是這種轉(zhuǎn)變的核心所在。”
Mityas對此表示同意。他說：“10年后，沒有人會再使用應(yīng)用軟件。他們與設(shè)備交談，使用鍵盤的日子很快就會過去。”
