語音識別系統歷史

　　國外研究：

　　從開始研究語音識別技術至今，語音識別技術的發展已經有半個多世紀的歷史。語音識別技術研究的開端，是Davis等人研究的Audry系統，它是當時第一個可以獲取幾個英文字母的系統。到了20世紀60年代，伴隨計算機技術的發展，語音識別技術也得以進步，動態規劃和線性預測分析技術解決了語音識別中最為重要的問題——語音信號產生的模型問題；70年代，語音識別技術有了重大突破，動態時間規整技術（DTW）基本成熟，使語音變得可以等長，另外，矢量量化（VQ）和隱馬爾科夫模型理論（HMM）也不斷完善，為之后語音識別的發展做了鋪墊；80年代對語音識別的研究更為徹底，各種語音識別算法被提出，其中的突出成就包括HMM模型人工神經網絡（ANN）；進入90年代后，語音識別技術開始應用于全球市場，許多著名科技互聯網公司， 如IBM，Apple等，都為語音識別技術的開發和研究投入巨資；到了 21 世紀，語音識別技術研究重點轉變為即興口語和自然對話以及多種語種的同聲翻譯。

　　國內研究：

　　國內關于語音識別技術的研究與探索從20 世紀80 年代開始，取得了許多成果并且發展飛速。例如：清華大學研發的語音識別技術以1183 個單音節作為識別基元，并對其音節進行分解，最后進行識別，使三字詞和四字詞的準確率高達98%；中科院采用連續密度的HMM，整個系統的識別率達到89.5%，聲調和詞語的識別率分別是 99.5%和95%。目 前，我國的語音識別技術已經和國際上的超級大國實力相當， 其綜合錯誤率可控制在10%以內。

　　清華大學電子工程系語音技術與專用芯片設計課題組，研發的非特定人漢語數碼串連續語音識別系統的識別精度，達到94.8%（不定長數字串）和96.8%（定長數字串）。在有5%的拒識率情況下，系統識別率可以達到96.9%（不定長數字串）和98.7%（定長數字串），這是目前國際最好的識別結果之一，其性能已經接近實用水平。研發的5000詞郵包校核非特定人連續語音識別系統的識別率達到98.73%，前三選識別率達99.96%；并且可以識別普通話與四川話兩種語言，達到實用要求。

　　中科院自動化所及其所屬模式科技（Pattek）公司2002年發布了他們共同推出的面向不同計算平臺和應用的“天語”中文語音系列產品——PattekASR，結束了中文語音識別產品自1998年以來一直由國外公司壟斷的歷史。

　　語音識別系統前景趨勢

　　在新興產業市場需求的推動下，語音識別的市場也是十分具有看頭的，有研究機構指出，預計到2020年，全球語音識別的市場規模將從2015年的61.9億美元增長到200億美元。然而，在市場規模壯大這一美好的預測面前，我們也不能忽視一些需要面對的問題，只有解決了它們，語音識別才能得到完善，給用戶帶來極致服務。

　　首先就是對象識別的準確性。現在，在應用上，我們看見語音識別多是在智能家居領域，包括智能家電和服務機器人。此時，我們就要考慮一個問題了，當多個家庭成員同時講話時，智能家電和服務機器人該執行誰的命令呢？它們又如何能在眾聲音中找出自己主人的命令？這些都是當前語音識別所需要解決的問題，畢竟我們通常所說的語音識別不僅僅只是單純的對語音內容進行識別。

　　在這個問題上，人們也找到了一個解決方案——聲紋識別。一般來講，聲紋具有唯一性，對說話人身份的確認有著極大的幫助。借助于聲紋識別，語音識別能夠準確對說話人的位置和身份進行定位，從而準確識別語音內容，執行其中下達的指令。不過，鑒于數據的極大空缺等問題，聲紋識別技術還需完善。

　　其次是降低周邊環境的干擾。對于人類來講，在嘈雜環境中聽別人說話或是從眾多聲音中找出自己想聽的內容還是一件較為簡單的事，而與此相反，這件事在機器這里并沒有那么容易。

　　為了降低周邊環境對語音識別的干擾，亞馬遜和谷歌都在智能音箱中使用了麥克風陣列技術，從而起到一定的“降噪”作用，增加語音識別的準確率。不過，到目前為止，環境的干擾依然沒有得到更好的解決，仍然是語音識別前進道路中的一只“攔路虎”，尤其是在多段語音中準確找出指定說話人的情境中。

　　在一次采訪中，和機器學習權威學者、百度首席科學家吳恩達表示，2017年是“對話式電腦”快速發展的一年。對話式電腦，諸如聊天機器人、人工智能虛擬助手之類，作為展開對話的第一步，語音識別也屬于這快速發展的一部分。

　　在、等多種產業以及聊天機器人、虛擬助手這些產品市場的推動下，語音識別的市場正在不斷擴大，同時也是對它準確性的一個挑戰。