语音识别技术正处于大规模爆发边缘，更多终端会进入语音操作时代。近日百度在汉语语音识别方面获得重大理论和产品突破，CSDN对百度语音技术部负责人贾磊进行了专访，他分享了这次技术突破的理论基础和学术意义。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年退出中国后**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**进入生物阶段，那么语音识别则让人工智能进入感官时代。真正学会主动思考的机器人时代似乎也不遥远了。

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说：“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-Gram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网络与递进网络两种，微信、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，深度学习网络需要人工标准，“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***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这样说，“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*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。

　　商业化前景

一个语音系统经过大量工程师、语言学家的训练推向市场，就要考虑商业化问题。“虽然语音不像人脸、指纹一样具有**性，可作为金融领域等的身份辨别功能，但语言的输入与交互更加自然”，雷欣如是表示。

目前，语音识别面向消费者的应用场景主要包括翻译文字、垂直搜索、定向推送，不同互联网公司根据其需求叠加不同服务。比如说在翻译文字上，搜索引擎谷歌、百度更注重网页翻译，阿里巴巴注重商品信息，而科大讯飞则偏重口语；而定向推送及垂直搜索主要是根据用户的上下文关联，推送更多生活服务，比如出门问问的可穿戴设备ticwatch。

“一个通用的语音识别引擎(常见的输入法)在识别某种特定领域(如垂直类生活服务搜索时)，效果不会很好，这需要特定声音模型与语音模型的训练。”雷欣举例说，“比如‘帮我找一下附近的酒店，3**以上，带WIFI，今晚入住，明天退房’，这需要理解用户核心需求找酒店以及其他关键信息。”

在长时间训练下，语音识别系统可以从理解语法到理解语义，应用于更多垂直行业领域———教育、车联网、智能家居是多家语音平台提到的*主要的垂直应用领域。比如科大讯飞介入普通话考试以及汽车互联网服务等领域；而汉王则结合其OCR识别(手写与文字识别)，来表达公式、图像等教育内容。

比如车联网，“语音可以实现盲操作，不会分散司机注意力，比起图像更适用于高速驾驶状态”，达晨创投南区TMT投资总经理程仁田告诉笔者，但实现车联网的前提是硬件上要先有联网功能。

“人脸可以作为身份辨别，但语言却是人工智能的感官系统。”微软(亚洲)互联网工程院院长王永东解释，“人工智能助理小娜属于有用的工具阶段，这也是目前语音识别*广泛的应用领域，而小冰希望通过情感学习成为‘可信任’的朋友。你可以发现现在的语言输入基本是命令式的，而不是真正的交互式。”

“如果它能取得用户信任，理解用户的喜好，它的商业价值就更明显，比如说电商推荐。”王永东说，目前小冰肯定不考虑商业化问题。“谁喜欢一个没多熟，还天天‘安利’的朋友啊！”