语音识别

它是什么

语音识别，是把人说的话变成文字或指令的技术。它是 人工智能最常见的本领之一。英文常叫 Automatic Speech Recognition，意思是：自动把语音认成字。

电脑没有真正的耳朵。它走的是一条加工路：

声音 → 采样（变成数字）→ 特征 → 对照 → 文字

麦克风只负责把空气振动接进来，后面全是数字和匹配。

它能把「打开灯」写成字，或当成口令去执行。它不能保证听出你是高兴还是难过。听懂字，和拥有 人类智能里的感受，不是一回事。

名字从哪来

1952 年，美国贝尔实验室做出一台叫 Audrey 的机器。Audrey 是 Automatic Digit Recognizer 的简称，意思是「自动认数字」。它能听出 0 到 9，而且多半只对一个人的声音比较准。那是语音识别很早的公开成果。

1962 年前后，IBM 展出过 Shoebox（鞋盒）演示机。它能听懂十几个英文词，用来做简单计算。词汇仍然很少。

后来几十年，研究者用统计方法猜「这段声音更像哪个词」。2010 年代，深度学习让正确率明显提高，手机和音箱开始真正走进生活。

2011 年，苹果手机上的 Siri 让很多人第一次对着机器说话。中国也有科大讯飞等公司的语音输入、朗读评测产品。它们是产品例子，用来说明技术已经离开实验室，不是广告，也不必记住品牌排名。

怎么工作

可以记成五步小火车。

1. 声音：空气振动，麦克风接到。
2. 采样：把连续的振动切成很多小点，记成电脑能存的数字。
3. 特征：抽出高低、长短、快慢这些「声音的样子」。
4. 对照：拿这些样子去对模型里的样例。
5. 文字：对上以后写出字，或执行口令。

模型不是一本普通词典。它是用很多 训练数据学来的：不同人、不同速度、不同环境的读音。

操场风大时，它可能写成别的词。那是前面某一步被打乱了，不是它故意开玩笑。

以后你会听到「声学模型」「语言模型」这些词。声学管「这段音像什么」，语言管「这样的字排在一起像不像人话」。现在先把五步排对，就已经抓住基础。

生活里

校园里：

• 英语课对着平板读单词，屏幕跳出对应的字
• 点名音箱听口令，认出是哪位同学
• 口语评测给一句「再大声一点」

家里和城市里：

• 对音箱说「播放课文」
• 手机语音输入发消息
• 车载系统听导航口令
• 电视听「下一集」

这些都是语音识别在工作。有的产品还会接着做 推荐：听完你的问题，再建议下一首或下一课。那是另一种本领，叠在识别后面。

相近差别

它和 图像识别是一对：

它和「语音合成」也不一样。识别是听进去、写成字；合成是把字变成假的说话声。把别人的声音拿去合成假通知，属于 深度伪造，是不当使用。

它也不是翻译。识别先把中文说的话写成中文；翻译是把一种语言换成另一种。有的软件两步都做，那是两样技术接在一起。

常见误会

误会 1：电脑长了耳朵。

它有麦克风。麦克风只负责把振动接进来，后面全是数字和对照。

误会 2：它听懂字，就听懂你的心情。

它能写出「我有点难受」。它不会真的着急。

误会 3：听错了就是电脑坏了。

可能太吵，可能说得太快，可能这个词它没学过，也可能麦克风被捂住。口音差得远，对照也会飘。

误会 4：流程是先写出字，再变成数字。

顺序反了。没有采样得到的数字，后面的特征无从谈起。

误会 5：某一种语音助手等于语音识别本身。

Siri、科大讯飞产品都是应用。语音识别是底下那条把声音变成字的技术。

想知道更多

• 书：蔡宗翰《写给小学生看的 AI 课》（有听写、语音助手的生活例子）。
• 书：《图解 10 岁就懂的 AI 入门》。
• 书：清华大学《人工智能通识（小学版）》。
• 电影：《超能陆战队》《机器人总动员》里机器会听话，那是科幻表演，不是实验室说明书。
• 纪录片：《阿尔法狗》主要讲下棋；《你好，人工智能》里常能见到语音助手怎样进家庭。和家长一起看。