科技巨頭收集人類聲音

人類要想自然地與設(shè)備進(jìn)行對(duì)話，語音識(shí)別就必須得到大幅改進(jìn)。

谷歌語音操作

過去幾年，語音識(shí)別取得了很大進(jìn)步，大部分要?dú)w功于神經(jīng)網(wǎng)絡(luò)。然而，神經(jīng)網(wǎng)絡(luò)需要大量數(shù)據(jù)進(jìn)行訓(xùn)練。正因?yàn)榇耍雀?、微軟、亞馬遜、百度等科技公司都在盡可能地收集各種語言、口音以及方言。另外，百度等公司也在開發(fā)更為高效的算法，不需要那么多數(shù)據(jù)就能提高語音識(shí)別準(zhǔn)確率，這有利于數(shù)字助手學(xué)習(xí)使用較少的語言。

亞馬遜智能音箱Echo已經(jīng)兌現(xiàn)了讓千家萬戶都有一臺(tái)人工智能個(gè)人助手的承諾。Echo用戶容易被語音助手Alexa的“魅力”所征服，對(duì)于Alexa可以實(shí)現(xiàn)Uber打車、預(yù)訂披薩以及檢查10年級(jí)學(xué)生數(shù)學(xué)作業(yè)的能力贊賞有加。亞馬遜稱，每天有5000多人表達(dá)對(duì)于Alexa的喜愛之情。

另外一方面，Alexa的擁簇也知道，除非他們非常清晰、緩慢地與Alexa對(duì)話，否則她很可能會(huì)說：“抱歉，我無法回答這個(gè)問題”。

“我愛她，既愛又恨，”一位用戶在亞馬遜網(wǎng)站上寫道，但依舊給予Alexa五星評(píng)價(jià)，“你需要很快速地學(xué)習(xí)如何以一種她聽得懂的方式與她交流，就像和一個(gè)初學(xué)走路的小孩交流一樣。”

過去幾年，語音識(shí)別已經(jīng)取得了很大進(jìn)步，但是仍未好到足以廣泛用于日常生活中，引領(lǐng)人機(jī)交互的新時(shí)代，讓我們與汽車、洗衣機(jī)以及電視等所有設(shè)備進(jìn)行對(duì)話。雖然語音識(shí)別取得了一定進(jìn)展，但是多數(shù)人仍在觸摸、滑動(dòng)以及點(diǎn)擊屏幕。在可預(yù)見的未來，這種局面或許仍會(huì)持續(xù)下去。

那么，是什么因素阻礙了語音識(shí)別的發(fā)展呢？在一定程度上講，語音識(shí)別背后的人工智能技術(shù)還有改進(jìn)的空間。它還面臨嚴(yán)重的數(shù)據(jù)缺失問題，具體來說就是人類聲音的音頻、在喧雜的環(huán)境下往往會(huì)出現(xiàn)的多種語言、口音以及方言。這些因素都可能會(huì)導(dǎo)致語音助手無法準(zhǔn)確識(shí)別人們的語音。

因此，亞馬遜、蘋果、微軟以及百度都已經(jīng)開始在全球范圍內(nèi)收集數(shù)以TB的人類語音數(shù)據(jù)。微軟已經(jīng)在全球各個(gè)城市建立了模擬公寓，錄制志愿者的本土口音。亞馬遜每個(gè)小時(shí)都會(huì)把用戶向Alexa提出的問題上傳到一個(gè)龐大的數(shù)字倉庫中。百度則忙于收集中國的每一種方言。隨后，他們就會(huì)利用這些數(shù)據(jù)教計(jì)算機(jī)如何分析、理解以及回應(yīng)指令和問題。

科技公司在這一過程中面臨的挑戰(zhàn)是：找到一種方法捕捉到自然、真實(shí)的對(duì)話。百度加州人工智能實(shí)驗(yàn)室負(fù)責(zé)人亞當(dāng)·考特斯(Adam Coates)表示，即便是語音識(shí)別準(zhǔn)確率達(dá)到95%，這仍不夠?！拔覀兊哪繕?biāo)是將錯(cuò)誤率降至1%，”他表示，“只有達(dá)到這種水平，你才能真正相信設(shè)備理解了你所說的話，那將是一場(chǎng)變革?！?

就在不久前，語音識(shí)別技術(shù)還處于一個(gè)初級(jí)階段，給出的答案十分滑稽。2006年，微軟在分析師和投資者面前演示了Windows平臺(tái)早期版本的語音識(shí)別技術(shù)。然而，微軟語音識(shí)別技術(shù)把“媽媽”聽成了“阿姨”。當(dāng)蘋果在5年前推出Siri時(shí)，該語音助手給出的答案也令人捧腹大笑，這也是因?yàn)樗３Ｌ峁╁e(cuò)誤答案或者沒有準(zhǔn)確識(shí)別問題。當(dāng)被問及吉蓮·安德森(Gillian Anderson)是否是英國人時(shí)，Siri提供了一份英國餐館的清單?，F(xiàn)在，微軟表示，其語音識(shí)別引擎的錯(cuò)誤率達(dá)到了專業(yè)速記員的水平，甚至更低。Siri目前的錯(cuò)誤率差強(qiáng)人意，Alexa則讓人對(duì)未來的語音識(shí)別技術(shù)充滿期待。

語音識(shí)別技術(shù)取得的大部分進(jìn)展都要?dú)w功于神經(jīng)網(wǎng)絡(luò)的魔力，后者是一種人工智能形式，基于人腦架構(gòu)。神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)不需要接受明確的程序化定制，但是一般需要龐大而且種類豐富的數(shù)據(jù)。在神經(jīng)網(wǎng)絡(luò)架構(gòu)下，語音識(shí)別引擎處理的問題越多，它就能更好地理解不同的聲音，進(jìn)一步接近在多種環(huán)境下，與多種語言自然對(duì)話的終極目標(biāo)。

因此，全球科技公司都在爭相收集各種聲音?！拔覀?cè)谙到y(tǒng)中放入的數(shù)據(jù)越多，它的表現(xiàn)就越好，”百度首席科學(xué)家吳恩達(dá)表示，“這也是為什么語音識(shí)別是這么一種資本密集型技術(shù)的原因，并不是有太多機(jī)構(gòu)擁有這么多的數(shù)據(jù)?！?

盡管科技行業(yè)在上世紀(jì)90年代就開始認(rèn)真地研究語音識(shí)別技術(shù)，但是微軟等公司依靠的語言數(shù)據(jù)聯(lián)盟(Linguistic Data Consortium)等研究所的公開可用數(shù)據(jù)。語言數(shù)據(jù)聯(lián)盟是一個(gè)語音和文本數(shù)據(jù)倉庫，創(chuàng)建于1992年，獲得了美國政府的支持，屬于賓夕法尼亞大學(xué)。隨后，科技公司開始收集他們的自主語音數(shù)據(jù)，部分來自志愿者。這些志愿者讀出自己的聲音，然后由科技公司錄制?，F(xiàn)在，語音控制軟件開始走俏，它收集的大部分?jǐn)?shù)據(jù)來自公司的自主產(chǎn)品和服務(wù)。

當(dāng)你使用語音指令在手機(jī)上搜索一些東西，播放歌曲或者導(dǎo)航時(shí)，科技公司可能就在錄制你的聲音。蘋果、谷歌、微軟以及亞馬遜強(qiáng)調(diào)，他們對(duì)用戶數(shù)據(jù)進(jìn)行匿名化處理，以保護(hù)用戶的隱私。當(dāng)你向Alexa詢問天氣或者足球比賽比分時(shí)，它就會(huì)利用你的問題改進(jìn)對(duì)自然語言的理解。“借助這一設(shè)計(jì)，你使用的越多，Alexa就變得越智能，”Alexa項(xiàng)目資深首席科學(xué)家尼克·斯特羅姆(Nikko Strom)表示。