Alexa是亞馬遜的云端語音識別軟件，它是黑色圓柱體音箱Echo的大腦。Alexa的面世在全球造成了轟動(dòng)，除了小孩以外，因?yàn)樗麄冇X得這是理所當(dāng)然的。小孩子會(huì)伴隨著Alexa成長。在人工智能的支持下，Alexa學(xué)會(huì)了回答越來越多的問題，有朝一日可能會(huì)進(jìn)化到能與人自由交談的地步。

但是，任何10歲以上的人都知道，從前不是這樣的。語音識別軟件發(fā)展到今天經(jīng)歷了漫長的道路。雖然Echo比啤酒杯更瘦，但是第一批語音識別機(jī)器——二十世紀(jì)中葉開發(fā)的那些——幾乎可以占滿一整個(gè)房間。

亞馬遜Echo把語音識別帶進(jìn)人們的起居室（圖片來源：Amazon）

人類很久以前就試圖對機(jī)器講話——或者至少讓機(jī)器對我們說話。"語音能夠讓我們與機(jī)器實(shí)現(xiàn)難以置信的簡單互動(dòng)，它是最自然、最方便的交互方式，也是我們每天都在使用的東西，"亞馬遜設(shè)備事業(yè)部和亞馬遜Alexa歐洲區(qū)副總裁喬利特·凡德·穆勒恩（Jorrit Van der Meulen）說，"語音就是未來。"

1773年，俄國科學(xué)家、在哥本哈根生活的生理學(xué)教授克里斯蒂安·克拉特齊斯坦（Christian Kratzenstein）開始思考語音技術(shù)。他制造了一個(gè)特別的設(shè)備，把共鳴管和風(fēng)琴管連接起來，發(fā)出類似于人類語言中元音的聲音。就在十多年后，維也納的沃爾夫?qū)ゑT·肯佩倫（Wolfgang von Kempelen）制造了一臺(tái)類似的機(jī)械聲學(xué)語音機(jī)器。在十九世紀(jì)初，英國發(fā)明家查爾斯·惠斯通（Charles Wheatstone）用皮革共鳴器改進(jìn)了馮·肯佩倫的系統(tǒng)。該系統(tǒng)可以通過手動(dòng)調(diào)整或控制發(fā)出像語言一樣的聲音。

到1881年，亞歷山大·格拉漢姆·貝爾（Alexander Graham Bell）和他的兄弟查爾斯·薩姆納·天特（Charles Sumner Tainter）一起制造了一個(gè)蠟涂層的旋轉(zhuǎn)圓柱體，一根唱針對傳入的聲音壓力作出反應(yīng)，切出垂直的凹槽。這一發(fā)明為1907年獲得專利的第一臺(tái)留聲機(jī)鋪平了道路。他們是希望用機(jī)器來聽寫秘書念的筆記和書信，這樣就不再需要速記員。隨后，這些記錄可以用打字機(jī)打出來。這一發(fā)明很快在全球流行起來，在越來越多的辦公室里，秘書會(huì)帶著笨拙的耳機(jī)，聆聽錄音并完成轉(zhuǎn)錄。

但所有這些雛形都是被動(dòng)式機(jī)器——直到1952年自動(dòng)數(shù)字識別機(jī)"Audrey"的問世。它由貝爾實(shí)驗(yàn)室（Bell Labs）制造，體型巨大，占滿了一個(gè)六英尺高的繼電器架子，耗電量很大，連接著大量纜線。它能夠識別語音的基本單位"音素"。

那時(shí)，計(jì)算機(jī)系統(tǒng)非常昂貴、笨重，存儲(chǔ)空間和運(yùn)算速度有限。但是Audrey仍然能夠識別數(shù)字的發(fā)音——零到九——準(zhǔn)確率高達(dá)90%，至少它的開發(fā)者戴維斯（HK Davis）發(fā)音時(shí)是這樣。當(dāng)面對其他幾位指定的說話者時(shí)，它的準(zhǔn)確率為70%到80%，但如果是不熟悉的聲音，它的準(zhǔn)確率就會(huì)大大降低。"這在當(dāng)時(shí)是一個(gè)驚人的成就，但是那個(gè)系統(tǒng)需要一整個(gè)房間的電子設(shè)備，還需要專業(yè)的電路，才能識別單個(gè)數(shù)字，"貝爾實(shí)驗(yàn)室信息分析部的查理·巴哈爾（Charlie Bahr）說。

電話的發(fā)明者亞歷山大·格拉漢姆·貝爾

電話的發(fā)明者亞歷山大·格拉漢姆·貝爾在語音識別方面也完成了重要的工作（圖片來源：Science Photo Library）

由于Audrey只能識別指定說話者的聲音，它的用途就比較有限：比如它可以為收費(fèi)電話的接線員提供語音撥號的功能，但實(shí)際上沒有這個(gè)必要，因?yàn)樵诖蠖鄶?shù)情況下，通過手動(dòng)按鈕撥號成本更低，且更簡便。Audrey仍然是雛形——它領(lǐng)先于普通的計(jì)算機(jī)。雖然它并沒有用在生產(chǎn)系統(tǒng)中，但是"它說明了語音識別是可以實(shí)現(xiàn)的，"巴哈爾說。

但是還有另一個(gè)目標(biāo)。"我相信Audurey開發(fā)的最初目的是要減少帶寬，即電線上傳輸?shù)臄?shù)據(jù)量，"巴哈爾的同事、諾基亞貝爾實(shí)驗(yàn)室（Nokia Bell Labs）的拉里·奧戈?duì)柭↙arry O'Gorman）說。語音識別所需帶寬比原始聲波要小。但是隨著二十世紀(jì)七十和八十年代電話機(jī)開關(guān)的數(shù)字化，電話線路分配變的更快、更便宜，同時(shí)仍需要接線員來理解撥號請求。于是，二十世紀(jì)七十年代和八十年代，貝爾實(shí)驗(yàn)室語音研究投入了大量精力研究以下內(nèi)容：識別數(shù)字零到十以及"是"與"否"。"電話系統(tǒng)在能夠識別這12個(gè)單詞后，就能夠單純依靠機(jī)器完成電話接線，"奧戈?duì)柭f。

Audrey并不是唯一。二十世紀(jì)六十年代，日本的幾個(gè)團(tuán)隊(duì)也對語音識別進(jìn)行研究，最著名的包括東京無線電研究實(shí)驗(yàn)室（Radio Research Lab）的元音識別器、京都大學(xué)的（Kyoto University）音素識別器和NEC實(shí)驗(yàn)室的數(shù)字語音識別器。

在1962年的世界博覽會(huì)上，IBM展示了它的"鞋盒"（Shoebox）機(jī)器，它能夠理解16個(gè)口頭表達(dá)的英語單詞。美國、英國和蘇聯(lián)還有其他研究。蘇聯(lián)的研究人員發(fā)明了動(dòng)態(tài)規(guī)整（DTW）算法，并將其用來制造一個(gè)能夠駕馭200個(gè)單詞的識別器。但這些系統(tǒng)大都基于樣本匹配，也就是把單詞與存儲(chǔ)在機(jī)器里的語音進(jìn)行匹配。

最大的一次飛躍發(fā)生在1971年，當(dāng)時(shí)美國國防部的研究機(jī)構(gòu)Darpa出資開展一個(gè)為期五年的語音理解研究項(xiàng)目，目標(biāo)是達(dá)到1000個(gè)單詞的詞匯量。很多公司和學(xué)術(shù)機(jī)構(gòu)參與了該項(xiàng)目，包括IBM、卡內(nèi)基梅隆大學(xué)（Carnegie Mellon University）和斯坦福研究所（Stanford Research Institute）。于是，Harpy在卡內(nèi)基梅隆大學(xué)誕生。

和它的前輩不同，Harpy能夠識別整句話。"我們不想查詞典——所以我想要制造一個(gè)能夠翻譯話語的機(jī)器。這樣，當(dāng)你在講一種語言時(shí)，它會(huì)把你說的話轉(zhuǎn)換成文本，然后進(jìn)行機(jī)器翻譯，所有任務(wù)都一次完成，"卡內(nèi)基梅隆大學(xué)曾經(jīng)在Harpy項(xiàng)目和該大學(xué)的Hearsay-II項(xiàng)目工作的計(jì)算機(jī)科學(xué)教授亞歷山大·韋貝爾（Alexander Waibel）說。

電話的到來加速了語音識別技術(shù)的發(fā)展（圖片來源：iStock）

從單詞轉(zhuǎn)到詞組并不容易。"句子里的單詞會(huì)交匯起來，你會(huì)弄不清楚，不知道單詞從哪里開始，到哪里結(jié)束。于是，你會(huì)得到'euthanasia'這樣的東西，而它可能是'youth in Asia'。"韋貝爾說，"或者，當(dāng)你說'Give me a new display'時(shí)，它可能會(huì)被理解為'give me a nudist play'。"

Harpy一共能識別1011個(gè)單詞，這大概是一個(gè)普通的三歲小孩的詞匯量。它的準(zhǔn)確率也相當(dāng)不錯(cuò)，所以實(shí)現(xiàn)了Darpa最初的目標(biāo)。"它成了現(xiàn)代語音識別系統(tǒng)真正的祖先，"卡內(nèi)基梅隆大學(xué)語言技術(shù)所的所長杰米·卡博內(nèi)爾（Jaime Carbonell）說，"它是第一個(gè)成功利用語言模型判斷哪些單詞放在一起會(huì)產(chǎn)生意義的系統(tǒng)，因此它能夠降低語音識別的錯(cuò)誤。"

在之后的一些年里，語音識別系統(tǒng)進(jìn)一步發(fā)展。在二十世紀(jì)八十年代，IBM制造了語音激活的打字機(jī)Tangora，它能夠處理20000個(gè)單詞的詞匯量。IBM的方法是基于隱馬爾可夫模型（hidden Markov model），把統(tǒng)計(jì)學(xué)納入數(shù)字信號處理技術(shù)。這一方法讓我們有可能預(yù)測哪些音素最有可能出現(xiàn)在某一給定音素的后面。

IBM的競爭對手Dragon Systems提出了自己的方法。此時(shí)，技術(shù)取得了長足的進(jìn)步，語音識別終于能夠應(yīng)用到實(shí)際生活中——比如可以讓兒童訓(xùn)練講話的玩偶。雖然取得了很多成就，但是當(dāng)時(shí)的所有程序都采用了不連續(xù)聽寫，這意味著用戶必須在每個(gè)單詞后停頓一下。1990年，Dragon Systems發(fā)布了第一款消費(fèi)語音識別產(chǎn)品Dragon Dictate，9000美元的售價(jià)令人咂舌。然后，在1997年，Dragon NaturallySpeaking 問世——這是第一款連續(xù)語音識別產(chǎn)品。

"在那以前，語音識別產(chǎn)品局限在不連續(xù)的話語，這就意味著它們一次只能識別一個(gè)單詞，" Nuance Communications公司高級副總裁、Dragon的總經(jīng)理彼得·馬奧尼（Peter Mahoney）說，"Dragon是連續(xù)語音識別的先鋒，它首次實(shí)現(xiàn)了實(shí)用的語音識別，可用來創(chuàng)建文件。"Dragon NaturallySpeaking每分鐘能夠識別100個(gè)單詞的話語——時(shí)至今日，它仍在使用。比如美國和英國的很多醫(yī)生用它來歸檔醫(yī)療記錄。

微軟的個(gè)人智能助理小娜（Cortana）是數(shù)十年實(shí)驗(yàn)的成果（圖片來源：iSto）

在過去的十年間，大致基于人腦工作模式的機(jī)器學(xué)習(xí)技術(shù)讓計(jì)算機(jī)能夠接受大量語音的訓(xùn)練，從而成功識別不同人的不同口音。

然而，直至谷歌發(fā)布了用于蘋果手機(jī)的谷歌語音搜索應(yīng)用"Google Voice Search"，技術(shù)才又繼續(xù)向前發(fā)展。谷歌的方法是使用云計(jì)算處理應(yīng)用收到的數(shù)據(jù)。突然間，大眾可以獲得的語音識別擁有了大規(guī)模計(jì)算的能力。谷歌能夠運(yùn)行大規(guī)模的數(shù)據(jù)分析，匹配用戶的單詞和數(shù)十億個(gè)搜索詞條中積累的大量人類語音的例子。2010年，谷歌為安卓手機(jī)的語音搜索添加了"個(gè)性化識別"。2011年中期，又把語音搜索加入Chrome瀏覽器。蘋果也很快推出了它自己的版本，名為Siri，而微軟的語音識別功能名為AI Cortana，名字來自流行的光環(huán)系列游戲（Halo）中的一個(gè)人物。

所以，下一步會(huì)發(fā)生什么？"在語音處理領(lǐng)域，最成熟的技術(shù)就是語音合成，"奧戈?duì)柭f，"機(jī)器語音和人類語音現(xiàn)在已經(jīng)基本上無法區(qū)分。但是在很多情況下，自動(dòng)語音識別與人耳相比仍有較大差距。"雖然在一個(gè)幾乎沒有噪音的環(huán)境下，一個(gè)人只要講話清晰就能被自動(dòng)識別，但是當(dāng)發(fā)生所謂的"雞尾酒會(huì)效應(yīng)"（人類能夠在嘈雜的聚會(huì)中聽到某一個(gè)人說的話）時(shí)，最新技術(shù)仍束手無策。就連Alexa也是這樣，如果房間里很吵鬧，你就必須靠近黑色圓柱體，清楚大聲的對它講話。

亞馬遜在語音識別方面的嘗試是受到了《星際迷航》（Star Trek）中計(jì)算機(jī)的啟發(fā)，凡德·穆勒恩說。亞馬遜的目標(biāo)是制造一個(gè)完全可由語音控制的云端計(jì)算機(jī)——這樣你就可以自然的與它交談。當(dāng)然，好萊塢的魔法仍然領(lǐng)先于今日的科技。但是，凡德·穆勒恩說："我們正處于機(jī)器學(xué)習(xí)和人工智能的黃金時(shí)代。讓機(jī)器按照人類的方式做事仍然遙不可及，但是我們每天都在解決一些難以置信的復(fù)雜問題。"