引言：苹果iPhone 4S的Siri功能推出，可谓是引起了人们对于智能语音技术的极大关注。其实，语音技术非常复杂，表象繁多，本刊通过采访国内科大讯飞、国笔等专家对目前的语音市场进行梳理和探讨。

一、不仅仅是语音，还是人工智能

尽管苹果“教主”乔布斯离开了我们，尽管iPhone 5没有入人们期望的那样出现，但是iPhone 4S的推出仍然成功吸引了苹果粉丝和业界的所有关注。根据美国电话电报公司（AT&T）透露，iPhone 4S在发布12小时之内就接到了20万份订单，而其中最引入注目的一大新功能，就是被称为Siri的语音助手功能。

10月4日上午，苹果全球产品副总裁Phil Schiller与负责iOS软件的副总裁Scott Forstall在新品发布会上，隆重介绍了Siri。

什么是Siri？

Forstall在现场进行了演示，他拿起iPhone 4S，对手机问道：“今天天气如何？”屏幕上立刻显示出今天的天气状况。他又接着问，我用带伞吗？Siri马上回答，今天会下雨。随后，他还用这款应用演示了搜索和设置闹钟提、预约等功能。

Siri跟普通的语音搜索不一样，它能明白你所说的，了解你的意思，甚至还能回答你的问题。那感觉就像真正拥有私人助理似的，而且是一位善解人意的私人助理。无论你用何种方式提问，它都能以人的思维去思考和反应，而不是以预设的程序答非所问。

Siri能为你做的不仅仅是提供答案，它还可以亲自替你完成一些基本的事情。比如，你可以吩咐Siri发短信给你父亲、提醒你预约牙医、帮你查找到达目的 地的路线，不用担心Siri不够聪明，因为它能够思考完成这些事情需要运行哪些应用程序，还能明白你要打电话的准确对象。

Siri还包括传闻中的“语音转文字”的功能，你只需按下麦克风，把你想发送的内容说出来，Siri就可以将你所说的内容转换成文字，并发送出去。除了发 送短信外，Siri还集成到一些第三方应用，这样，你只需动动嘴皮子，就能更新Facebook、发送Twitter消息或者即时聊天。

如果你认为Siri只是一个简单的声音控制软件，而你的Android手机上的语音助手或NOKIA语音提示也可做到这点，那你就错了。

我们不妨探究一下Siri的血统，这家最近刚被苹果收购的公司，直接发端于美国军方的CALO（Cognitive Assistant that Learns and Organizes）项目，这也是史上最大的人工智能项目，汇聚了全球人工智能方面的顶尖专家。

你如果看过好莱坞大导演斯皮尔伯格的电影《A I》，相信会对人工智能有一定了解，通过人工智能技术，机器人可以把“对话、自然语言理解、视觉、演说、机器学习、制定计划、理性思考、服务代表全部融合 到一起”。Siri的技术正源自人工智能，而不是简单的搜索和语音识别。它能够自主分析用户发出的口语指令，并给出确切的回应和指导，完全不需要用户预选 学习使用方法。

在国外某科技博客录制的一段视频中，评测人员对Siri提出了许多含义模糊或有歧义的问题。比如：“附近有没有什么浪漫的法国餐厅？”，比如：“天空为何 是蓝色的？”比如“钢琴上有多少个八度？”对人类而言，这些句子再平常不过了，但要让机器去理解这些变化多端的棘手词汇，尤其是“浪漫”这种形容词，那就 极端困难了，然而这些问题 Siri都可以回答。

你甚至还可以对Siri表白，对它说：“我爱你！”它的回答也很妙：“希望你不会对其它手机也这么说。”

该评测人员随后在博客中写到：“Android系统的Voice Actions也是一项伟大的技术，但说真的，它和Siri不是同一个层面的产品。Siri非常酷，与之相比Voice Actions虽说确实让我们省去了打字输入、触摸操作的工序，但操作太复杂，只有那些Geek会使用它。然而，妈妈们会选择Siri。”

二、语音技术的三大种类

除了人工智能，Siri的核心功能仍是基于语音识别的语音技术，其语音引擎来自Nuance，这家公司在全球手机输入法上处于垄断地位。

这一技术并非革 命性的变革，早在计算机发明之前，自动语音识别的设想就已经被提上了议事日程，早期的声码器可被视作语音识别及合成的雏形。而1920年代生产的“Radio Rex”玩具狗可能是最早的语音识别器，当这只狗的名字被呼唤的时候，它能够从底座上弹出来。

近二十年来，语音识别技术取得显著进步，开始逐渐从实验室走向市场。据了解，许多大公司如IBM、苹果、微软、Google、AT&T和NTT等 早在多年前都对语音识别系统的实用化研究投以巨资。目前主流的语音技术方案包括IBM公司推出的Via Voice和Dragon System公司的Naturally Speaking， ，Nuance公司的Nuance Voice Platform语音平台，Microsoft的Whisper，Sun的VoiceTone，以及科大讯飞的口讯等。[page]

“语音技术是一个典型的交叉科学，涉及到很多方面，不是说有钱就能做的，是有一定门槛的。你可以去APP下载一个我们的软件体验一下”。根据科大讯飞副总江涛的介绍，目前语音技术大体上有三个分支：

第一类是语音合成技术（TTS），就是把文字变成语音，能够把文字读出来的技术，这个技术相对来说发展最早，也比较成熟。

第二类是语音识别技术（ASR），它又有几个细分，比较技术成熟的有命令识别（voice command），在有限的指定空间中实现你说的命令，早期很多手机上的语音识别很多就是这个层面。还有一个分支是语音评测，能够对你说的不同语言的标准程度进行打分、评价与指导。

第三类是声纹识别技术，因为语言中人的声带带有独特的物理特性，跟指纹、虹膜一样每个人的声音都是独特的，目前这种技术主要用在声音加密方面，可以识别不同人的声音。

据江涛透露，目前最难实现的就是语音识别技术（ASR），尽管业内普遍以识别率作为软件评测的标准，但语音受影响的环境因素太多了，说话人的语气、语速、 外围的噪音程度，麦克风的情况，尤其是云端识别，传输的信道好坏，很多很多因素都是不可控制的，“所以让官方去测一个系统识别率是多少其实意义不大，因为 每个人用的具体环境都不大一样。最终做决定的还是消费者，他们会用自己的手机去投票”。

三、语音技术面临的诸多挑战

据江涛介绍，目前语音识别技术在实现上还有几大难点需要解决：

1、自适应方面

目前，象IBM的ViaVoice和Asiaworks的SPK都需要用户在使用前进行几百句话的训练，以让计算机适应你的声音特征。这必然限制了语音识 别技术的进一步应用，大量的训练不仅让用户感到厌烦，而且加大了系统的负担。现实世界的用户类型是多种多样的，就声音特征来讲有男音、女音和童音的区别，此外，许多人的发音离标准发音差距甚远，这就涉及到对口音或方言的处理。事实上，ViaVoice的应用前景也因为这一点打了折扣，只有普通话说得很好的 用户才可以在其中文版连续语音识别方面取得相对满意的成绩。

2、强健性方面

语音识别技术需要能排除各种环境因素的影响。目前，对语音识别效果影响最大的就是环境杂音或嗓音，在公共场合，你几乎不可能指望手机能听懂你的话，来自四 面八方的声音让它茫然而不知所措。很显然这极大地限制了语音技术的应用范围，目前，要在嘈杂环境中使用语音识别技术必须有特殊的抗噪。

（Noise Cancellation）麦克风才能进行，这对多数用户来说是不现实的。在公共场合中，个人能有意识地摒弃环境嗓音并从中获取自己所需要的特定声音，如 何让语音识别技术也能达成这一点呢？这的确是一个艰巨的任务。

某位业内人士在微博上表示：“与iPhone 4一样，iPhone 4S也配有副麦克风，用来过滤背景杂音。使用过Nuance Dragon语音到文本产品的用户无疑会对这种情形非常熟悉：在语音输入时必须保证良好的音质并且减少杂音，即便这样语音输入结果也并非100%准确。基 于此，我们认为iPad和iPod touch上的低音质麦克风无法让语音输入获得最佳效果，从而无法在短时间内用上Siri。”

此外，带宽问题也可能影响语音的有效传送，语音技术的流量要求主要看语音的质量，越保真的语音传输量越大，现在主流的语音技术采用的都是16bit编码和 8bit编码两种。在速率低于1000 比特/秒的极低比特率下，语音编码的研究将大大有别于正常情况，比如要在某些带宽特别窄的信道上传输语音，以及水声通信、地下通信、战略及保密话音通信 等，要在这些情况下实现有效的语音识别，就必须处理声音信号的特殊特征，如因为带宽而延迟或减损等。[page]

3、多语言混合识别以及无限词汇识别方面

由于目前使用的声学模型和语音模型太过于局限，以至用户只能使用特定语音进行特定词汇的识别。如果突然从中文转为英文，或者法文、俄文，计算机就会不知如 何反应，而给出一堆不知所云的句子；或者用户偶尔使用了某个专门领域的专业术语，如 “信噪比“等，可能也会得到奇怪的反应。根据笔者的使用体验，中文与英文夹杂，包括数字的夹杂识别会比较困难。

目前正在做语音方面的开发，还不方便公布。

云计算在安全和识别方面，凡是涉及到云端的，都要在服务器上实现，就以打电话、发短信来说，其实运营商那里都有备份，本身有没有安全问题，其实只要管理规范，并且控制在几家大公司范围内，我相信不会太乱。电子邮件做了这么多年，安全性问题也有，但是不能因为这样就不用。

4、实用性方面

国外科技博主Michael Okuda对Siri的实用性抱怀疑态度。“这只是一个DEMO，目前来看根本谈不上革 命。Siri无法进行大段文字录入和现场翻译的语音识别，而且限定了必须在App内的特定识别，总觉得又是个苹果抛砖引玉教育用户的动作。”

他认为，语音输入可能并非如此高效。“设想一下，我在搜索图片，我会说‘上、上、左、往下一个，图片编号3362，不对，左边那个。’这简直比直接点击那张图片要慢很多。”Michael说。“我认为，自然语言必然会遇到诸多限制。”

四、云平台加速中文语音识别的来临

Siri的推出吸引了业内对于语音识别技术的关注，据了解，此次Siri仅推出了英文、法文、德文版本，并且只能在iPhone 4S上面使用，这无疑对于专注中文语音技术的国内厂商带来巨大利好。不过由于Siri并非单纯语音识别，而更是语义识别，即理解自然语言并作出合理回应。 中文自然语言的语义识别是Siri面对的难点与障碍。苹果本身十分注重中国市场，从iPhone 第一代的iPhone OS在发布之时就已包含中文语言及输入法即可看出。

事实上，早在1997年，IBM公司就开发出汉语ViaVoice语音识别系统，可以识别上海话、广东话和四川话等地方口音的语音识别系统 ViaVoice‘98。它带有一个32，000词的基本词汇表，可以扩展到65，000词，还包括办公常用词条，具有“纠错机制”，其平均识别率可以达 到95%。而中科院自动化所及其所属模式科技（Pattek）公司2002年发布了他们共同推出的面向不同计算平台和应用的“天语”中文语音系列产品—— PattekASR，结束了中文语音识别产品自1998年以来一直由国外公司垄断的历史。

你可能还记得几年前电视上出现过的“金立语音王”广告，该款手机可以通过语音收发短信，同时还可以通过语音阅读文档资料，可以说是国内手机厂商在语音识别上的最早尝试。

国笔科技副总裁庄传坤对电子工 程专辑记 者表示，类似于金立语音王这种产品就属于命令识别技术，事先设定一些命令，或者命令组合，早期的金立语音王基本上就是在手机CPU上进行处理，运算速度和 存储空间有限，只能识别有限的一千多条指令，体验也不好。科大讯飞副总江涛则透露，今年金立基于科大讯飞的语音云做了一个新的版本，在云服务器上可以做到 几十万条的识别。

据了解，目前国内客户对于语音技术的了解还处于起步阶段，市面上完整成熟的中文语音解决方案还不多。科大讯飞董秘徐景明表示，苹果推广Siri将从实际应用等方面加速行业发展与普及。

根据徐景明的介绍，科大讯飞目前通过两种方式来培育语音识别业务，一是开发自身的产品讯飞口讯和讯飞语音输入法，发展语音云、丰富数据库，公司语音输入法 目前对标准普通话的识别正确率已提升到95%以上；二是向应用软件开发商们开放语音云平台接入，目前包括挖财在内的理财记账软件、凯立德在内的地图软件， 都已内置了科大讯飞的语音识别功能。此外，公司还与中国电信合作推出了应用相关技术的通讯增强软件。

自2010年10月28日科大讯飞“语音云”成功发布之日起，讯飞语音云合作伙伴已经超过500家，包括新浪、搜狐、腾讯、联想、挖财、乐么乐么等，语音 云的用户量也已经超过2000万，而除了科大讯飞，Nuance也在同样搭建开放的语音云平台，开发者可以给予其语音引擎开发各种第三方的语音应用。

至于Siri所应用的人工智能方面，国内厂商中目前腾讯联合中科院推出的小Q机器人是一大尝试，可以实现部分思考和理解能力，相信随着iPhone 4s的大力推动和智能手机的进一步发展，中国厂商自行研发的具有人工智能的语音软件将会很快问世。