對(duì)著手機(jī)說(shuō)出短信內(nèi)容，手機(jī)就能識(shí)別并譯成文字；向微波爐發(fā)出“加熱3分鐘”的指令，微波爐就能開(kāi)始執(zhí)行任務(wù)；哼唱一段旋律就能查找到對(duì)應(yīng)的歌曲；輸入一個(gè)關(guān)鍵詞就能從一堆音頻資料里搜索出最匹配的內(nèi)容……這些人們?cè)?jīng)幻想過(guò)，但只出現(xiàn)在科幻電影里的情景，隨著語(yǔ)音識(shí)別時(shí)代的到來(lái)，都將一一變?yōu)楝F(xiàn)實(shí)。

       近日，本刊記者走訪了清華大學(xué)電子工程系副主任、博士生導(dǎo)師吳及副教授，他向我們?cè)敿?xì)介紹了我國(guó)語(yǔ)音識(shí)別技術(shù)的發(fā)展和應(yīng)用方面的問(wèn)題。

過(guò)山車(chē)似的發(fā)展

        “與機(jī)器進(jìn)行語(yǔ)音交流，讓機(jī)器明白你說(shuō)什么，這是人們長(zhǎng)期以來(lái)夢(mèng)寐以求的事情。語(yǔ)音識(shí)別技術(shù)就是讓機(jī)器通過(guò)識(shí)別和理解過(guò)程把語(yǔ)音信號(hào)轉(zhuǎn)變?yōu)橄鄳?yīng)的文本或命令的高新技術(shù)。它是一門(mén)交叉學(xué)科，涉及到信號(hào)處理、統(tǒng)計(jì)模式識(shí)別、人工智能、計(jì)算機(jī)科學(xué)、語(yǔ)言學(xué)和認(rèn)知科學(xué)等眾多學(xué)科。”吳及解釋說(shuō)。近年來(lái)，我國(guó)語(yǔ)音識(shí)別技術(shù)發(fā)展突飛猛進(jìn)，取得了許多顯著進(jìn)步，并開(kāi)始逐漸從實(shí)驗(yàn)室走向市場(chǎng)。未來(lái)語(yǔ)音識(shí)別還將進(jìn)入工業(yè)、家電、通信、汽車(chē)電子、醫(yī)療、家庭服務(wù)以及電子產(chǎn)品等各個(gè)領(lǐng)域，全面融入我們的生活。
       目前，語(yǔ)音識(shí)別技術(shù)已經(jīng)取得巨大進(jìn)展，一些語(yǔ)音識(shí)別技術(shù)開(kāi)始得到廣泛應(yīng)用，具有語(yǔ)音識(shí)別功能的產(chǎn)品也不斷出現(xiàn)，這些都標(biāo)志著語(yǔ)音識(shí)別技術(shù)距離人類(lèi)的日常生活越來(lái)越近。然而從20世紀(jì)50年代起步的語(yǔ)音識(shí)別技術(shù)研究并不是一帆風(fēng)順，用吳及的話(huà)來(lái)說(shuō)，語(yǔ)音識(shí)別的發(fā)展，一直在峰谷之間徘徊?！捌鸪跞藗円庾R(shí)到語(yǔ)音識(shí)別技術(shù)蘊(yùn)含巨大的潛在價(jià)值，對(duì)它給予很高的期望。但真正開(kāi)始研究之后，才發(fā)現(xiàn)難度非常大，于是很多人都放棄了；當(dāng)技術(shù)的進(jìn)步讓人們看到了希望，相關(guān)研究又熱了起來(lái)，然而由于技術(shù)的發(fā)展仍然難以滿(mǎn)足實(shí)際應(yīng)用的需求，研究工作再次走入低谷。如此跌宕起伏好幾次，像坐過(guò)山車(chē)一樣。”即便如此，學(xué)術(shù)界一直堅(jiān)持研究，正是因?yàn)樵S多和吳及一樣的學(xué)者的矢志不渝，我國(guó)語(yǔ)音識(shí)別技術(shù)才在繼上世紀(jì)70年代和90年代之后，在最近幾年抓住了時(shí)代的機(jī)遇再次迎來(lái)了發(fā)展高峰。
       吳及認(rèn)為，國(guó)家“863”計(jì)劃的長(zhǎng)期支持、計(jì)算機(jī)性能的提高和基礎(chǔ)數(shù)據(jù)長(zhǎng)期積累，推動(dòng)了我國(guó)語(yǔ)音識(shí)別技術(shù)的快速發(fā)展。80年代中期以來(lái)，在國(guó)家“863”計(jì)劃的支持和國(guó)內(nèi)各科研機(jī)構(gòu)的艱苦努力下，語(yǔ)音識(shí)別經(jīng)歷了從特定人到非特定人、從小詞表到大詞匯量、從孤立字到連續(xù)語(yǔ)音的發(fā)展歷程。語(yǔ)音識(shí)別的對(duì)象也從實(shí)驗(yàn)室環(huán)境下的朗讀數(shù)據(jù)發(fā)展到現(xiàn)在的復(fù)雜環(huán)境下的真實(shí)口語(yǔ)數(shù)據(jù)。目前我國(guó)語(yǔ)音識(shí)別技術(shù)的研究水平已基本與國(guó)外同步，而漢語(yǔ)語(yǔ)音識(shí)別技術(shù)更是體現(xiàn)了我們自身的特點(diǎn)和優(yōu)勢(shì)，達(dá)到國(guó)際先進(jìn)水平。

吳及在東京參加InterSpeech2010國(guó)際學(xué)術(shù)會(huì)議

快捷有效的語(yǔ)音搜索

       語(yǔ)音識(shí)別系統(tǒng)除了應(yīng)用于人機(jī)交互（車(chē)載語(yǔ)音控制、人機(jī)對(duì)話(huà)系統(tǒng)等）之外，目前語(yǔ)音搜索和分析技術(shù)也得到很多關(guān)注。
       “語(yǔ)音搜索有點(diǎn)類(lèi)似Google、百度等搜索引擎，不一樣的是現(xiàn)有的搜索引擎只能搜索文本形式的關(guān)鍵字，并不能搜索音頻內(nèi)容，但語(yǔ)音搜索技術(shù)能直接對(duì)音頻內(nèi)容進(jìn)行搜索?！眳羌罢f(shuō)。對(duì)于音視頻文件，現(xiàn)有的搜索引擎，包括Google和百度，并不能直接對(duì)內(nèi)容進(jìn)行搜索，只能依賴(lài)人工創(chuàng)建的文字信息，比如包括音、視頻網(wǎng)頁(yè)的環(huán)繞文字，或者相關(guān)的標(biāo)簽（作品名稱(chēng)或者作者名字）進(jìn)行搜索。但這些信息極為粗略，并不能反映音視頻文件中大部分內(nèi)容，也不能保證準(zhǔn)確性。
       隨著多媒體時(shí)代的到來(lái)，音視頻資料越來(lái)越多，因此能夠面向多媒體數(shù)據(jù)，更為智能的基于內(nèi)容的搜索引擎技術(shù)顯得非常必要，其產(chǎn)業(yè)前景也有望超過(guò)當(dāng)前基于關(guān)鍵字的文本搜索技術(shù)。吳及表示，語(yǔ)音搜索技術(shù)是人機(jī)智能交互領(lǐng)域的重要方向，利用智能音頻檢索技術(shù)，用戶(hù)就可以根據(jù)音頻內(nèi)容對(duì)多媒體數(shù)據(jù)進(jìn)行搜索和定位，大大提高了處理效率?！罢Z(yǔ)音搜索技術(shù)的出現(xiàn)使得我們管理和利用多媒體數(shù)據(jù)的能力得以提高，甚至它對(duì)國(guó)家的安全監(jiān)控也有幫助，因此備受政府關(guān)注?！?BR>       在語(yǔ)音搜索研究領(lǐng)域，吳及課題組承擔(dān)過(guò)國(guó)家“863”計(jì)劃課題“基于內(nèi)容的高性能語(yǔ)音搜索技術(shù)探索研究”。經(jīng)過(guò)幾年的努力，課題組研發(fā)了面向多媒體數(shù)據(jù)管理和利用的智能音頻檢索技術(shù)，實(shí)現(xiàn)了包括離線(xiàn)預(yù)處理和在線(xiàn)檢索的兩階段音頻檢索系統(tǒng)。同時(shí)，以智能語(yǔ)音搜索技術(shù)研究為基礎(chǔ)，課題組還開(kāi)展了基于內(nèi)容的海量多媒體數(shù)據(jù)的數(shù)據(jù)處理方法的研究，涉及到機(jī)器學(xué)習(xí)、數(shù)據(jù)挖掘、自然語(yǔ)言處理、統(tǒng)計(jì)分析、并行計(jì)算等前沿課題。
       語(yǔ)音搜索技術(shù)究竟有什么好處呢？吳及舉例說(shuō)：“如果你想要在一年的新聞聯(lián)播中搜索某段音頻資料，一旦標(biāo)題中沒(méi)有你輸入的關(guān)鍵字，一般的搜索引擎就檢索不出來(lái)；但是語(yǔ)音搜索技術(shù)能夠?qū)⒄Z(yǔ)音轉(zhuǎn)化為文字，即使新聞標(biāo)題里不含你輸入的關(guān)鍵詞，只要播音員說(shuō)到了這個(gè)關(guān)鍵詞，系統(tǒng)同樣也能找到你想要的音頻。同時(shí)，我們還可以進(jìn)一步利用語(yǔ)音分析和理解技術(shù)提取新聞節(jié)目的摘要并建立重要事件的發(fā)展脈絡(luò)。語(yǔ)音搜索技術(shù)和語(yǔ)音分析技術(shù)使人們對(duì)音視頻數(shù)據(jù)的理解上升到了一個(gè)全新層面，在計(jì)算機(jī)超強(qiáng)計(jì)算能力的輔助下，人們能夠更加快速、有效地掌握和理解數(shù)據(jù)中包含的內(nèi)容，大大節(jié)省了查找時(shí)間，提高了用戶(hù)對(duì)音視頻數(shù)據(jù)的管理和利用能力?！?/FONT>