智能语音识别大热 但需合理限定避免滥用

智慧棒

7月9日消息，据国外媒体报道，苹果正在测试Dragon Dictation语音输入功能的本地离线版本，在未来的iOS设备中将可能增加离线语音输入功能。而在去年的谷歌I/O大会上，谷歌发布了Android4.1系统，其中就增加了离线语音输入功能。苹果引入该项Android已有的功能，旨在让iOS7生态系统更加完善。
Dragon Dictation是由著名的语音识别软件公司Nuance开发的，适用于iPhone，iPad和 iPod touch用户的一款语音识别应用软件，能将用户的语音转换成文字。目前的DragonDictation在进行语音输入时，iOS系统会利用软件将语音上传至云端，然后将其转变成文本。这种方式需要互联网连接且大多数情况下需要长时间载入，对用户来说使用并不方便。
离线语音输入功能将提高智能语音技术体验
语音输入需要流量，如果普通话不太标准也会受影响，同时还存在吵闹环境中无法有效识别的问题。离线语音输入功能引入iOS7，iOS设备将不需要网络连接就可以直接处理和转换语音，这将会大大加快语音输入邮件、短信、笔记的速度。
业内人士猜测，苹果可能会将该技术从Dragon Dictation转至Siri，从而使得该语音助手更加快速地回应特定请求。如果Dragon Dictation能和Siri相结合的话，将极大的提高Siri的响应速度和削弱对网络的依赖，而使智能语音技术体验大幅度提高。
智能语音技术与传统的语音识别有所不同。传统的语音识别是将用户所说的语音正确的识别转化为文本，比较有代表性的即为Google的Voice Search。而智能语音技术就是在传统语音识别的基础上更进一步，对进行了语义的理解，并根据用户语音的意图进行回答，让机器像人一样“能听会说”的技术，它带来了人机交互的根本性变革。
那么智能语音技术是如何做到语义识别的？

                               
登录/注册后可看大图

在如上图所示的智能语音技术原理中，用户语音首先被语音识别服务转换为文字，发送至云端服务器对语音识别所获得文字进行语义和语法的识别判断，以“我想在办公室附近找个浪漫点的地方吃意大利菜”为例，智能语音技术在获得文本后，根据其语法模型进行语法分析，得出此为一个“主语+谓语+宾语+副词”的句法结构。其中，主语为“我”，即用户，“想找一个浪漫的地方”说明用户希望找一个地方，此地方的特征是“浪漫”, “意大利菜”说明用户的目的是吃饭，而且是意大利食品，并且用户要求“办公室附近”。
根据这些关键信息，智能语音技术按照算法，判断用户可能是在寻找一个在自己附近的浪漫的意大利餐厅。之后，利用服务提供商的搜索引擎搜索，并将结果的文字按照语法进行整合，形成回答。
智能语音技术日益重要 前景广阔 多家公司进场PK
随着智能终端、无线网络的广泛普及，在移动互联网时代，智能语音技术的重要性日益显现。
Strategy Analytics的统计表明，2012年，中国原始设备制造商(OEM)所提供的具备语音人机接口的信息娱乐和车载信息通信系统(telematics)的出货量达到300万台，并预期在2018年达到2000万台。在北美和欧洲市场，带语音交互功能的车载设备应用已很普及。
福特SYNC系统，即专为手机和数字媒体播放器配备的福特车载多媒体通信娱乐系统，是目前车载系统中采用语音交互技术的成功的案例。搭载SYNC系统后，配合汽车中控台上的显示屏，可通过语音控制、兼容并操控便携式通信/娱乐设备等方式，让驾驶者在开车过程中更轻松，便捷地实现诸如语音拨号、语音播出短信内容、语音控制音乐播放等功能。
而汽车业之外，移动互联网终端大概是目前最热衷采用智能语音技术的一类产品了。2011年10月，苹果率先推出了智能语音助理应用Siri，并在2012年6月发布的IOS6中支持中文服务；Google公司也在其安卓智能手机操作系统中推出了Google Now智能语音搜索及问答服务；微软公司已经利用DNNS（深度神经网络）改进语音识别系统，将Windows Phone系统的语音识别引擎速度提高1倍，将词汇错误率降低了15%。
除了智能语音识别，我们再来看看语音输入法的历史。语音输入应用到手机上还是讯飞输入法的首创。
2010年10月，讯飞语音云发布，并推出了讯飞语音输入法Android平台的第一个版本，拉开了移动互联网语音应用热潮的序幕；
2011年7月，谷歌在谷歌拼音输入法(Android)中加入了中文语音输入功能；
2012年5月，百度手机输入法v3.0版本发布，新增了语音输入功能；
2012年6月，苹果召开新闻发布会，介绍最新的IOS 6中加入了中文语音输入功能。
现在，几乎每一家手机厂商都试图将语音技术融于其移动产品、应用和服务中。这其中最主要的一个原因就是这类终端设备外型小巧，触摸输入很不方便，这种情况下，语音交互就变成了一种非常必要的人机沟通的补充方式。
语音识别需谨慎 范围要界定好
去年10月，苹果公司Siri中文版被爆“涉黄”，用户可使用语音指令查询到附近的“三陪”信息。苹果公司在面对公众压力两周之后做出反应，从搜索源头屏蔽了相关内容，使用户无法搜再出“涉黄”信息。
“Tits &Glass”是Google Glass上首款色情应用，上线几小时后就被下架，Google还专门为其修改了开发者政策，禁止 Google Glass应用出现成人内容，但这款应用没多久后在Google Glass上重新上架，只是用户不再能直接分享图片给你的Google+ 好友。而Google Glass在使用中一般只展示图片和标题，大部分密集文字内容都是通过智能语音朗读来完成，这就对色情应用提供了土壤，使其可能被滥用。
语音识别功能虽然逐渐智能化人性化，但是发展范围研发公司一定要做合理的限定，避免技术被滥用。