科技巨头收集人类声音

人类要想自然地与设备进行对话，语音识别就必须得到大幅改进。

谷歌语音操作

过去几年，语音识别取得了很大进步，大部分要归功于神经网络。然而，神经网络需要大量数据进行训练。正因为此，谷歌、微软、亚马逊、百度等科技公司都在尽可能地收集各种语言、口音以及方言。另外，百度等公司也在开发更为高效的算法，不需要那么多数据就能提高语音识别准确率，这有利于数字助手学习使用较少的语言。

亚马逊智能音箱Echo已经兑现了让千家万户都有一台人工智能个人助手的承诺。Echo用户容易被语音助手Alexa的“魅力”所征服，对于Alexa可以实现Uber打车、预订披萨以及检查10年级学生数学作业的能力赞赏有加。亚马逊称，每天有5000多人表达对于Alexa的喜爱之情。

另外一方面，Alexa的拥簇也知道，除非他们非常清晰、缓慢地与Alexa对话，否则她很可能会说：“抱歉，我无法回答这个问题”。

“我爱她，既爱又恨，”一位用户在亚马逊网站上写道，但依旧给予Alexa五星评价，“你需要很快速地学习如何以一种她听得懂的方式与她交流，就像和一个初学走路的小孩交流一样。”

过去几年，语音识别已经取得了很大进步，但是仍未好到足以广泛用于日常生活中，引领人机交互的新时代，让我们与汽车、洗衣机以及电视等所有设备进行对话。虽然语音识别取得了一定进展，但是多数人仍在触摸、滑动以及点击屏幕。在可预见的未来，这种局面或许仍会持续下去。

那么，是什么因素阻碍了语音识别的发展呢？在一定程度上讲，语音识别背后的人工智能技术还有改进的空间。它还面临严重的数据缺失问题，具体来说就是人类声音的音频、在喧杂的环境下往往会出现的多种语言、口音以及方言。这些因素都可能会导致语音助手无法准确识别人们的语音。

因此，亚马逊、苹果、微软以及百度都已经开始在全球范围内收集数以TB的人类语音数据。微软已经在全球各个城市建立了模拟公寓，录制志愿者的本土口音。亚马逊每个小时都会把用户向Alexa提出的问题上传到一个庞大的数字仓库中。百度则忙于收集中国的每一种方言。随后，他们就会利用这些数据教计算机如何分析、理解以及回应指令和问题。

科技公司在这一过程中面临的挑战是：找到一种方法捕捉到自然、真实的对话。百度加州人工智能实验室负责人亚当·考特斯(Adam Coates)表示，即便是语音识别准确率达到95%，这仍不够。“我们的目标是将错误率降至1%，”他表示，“只有达到这种水平，你才能真正相信设备理解了你所说的话，那将是一场变革。”

就在不久前，语音识别技术还处于一个初级阶段，给出的答案十分滑稽。2006年，微软在分析师和投资者面前演示了Windows平台早期版本的语音识别技术。然而，微软语音识别技术把“妈妈”听成了“阿姨”。当苹果在5年前推出Siri时，该语音助手给出的答案也令人捧腹大笑，这也是因为它常常提供错误答案或者没有准确识别问题。当被问及吉莲·安德森(Gillian Anderson)是否是英国人时，Siri提供了一份英国餐馆的清单。现在，微软表示，其语音识别引擎的错误率达到了专业速记员的水平，甚至更低。Siri目前的错误率差强人意，Alexa则让人对未来的语音识别技术充满期待。

语音识别技术取得的大部分进展都要归功于神经网络的魔力，后者是一种人工智能形式，基于人脑架构。神经网络的学习不需要接受明确的程序化定制，但是一般需要庞大而且种类丰富的数据。在神经网络架构下，语音识别引擎处理的问题越多，它就能更好地理解不同的声音，进一步接近在多种环境下，与多种语言自然对话的终极目标。

因此，全球科技公司都在争相收集各种声音。“我们在系统中放入的数据越多，它的表现就越好，”百度首席科学家吴恩达表示，“这也是为什么语音识别是这么一种资本密集型技术的原因，并不是有太多机构拥有这么多的数据。”

尽管科技行业在上世纪90年代就开始认真地研究语音识别技术，但是微软等公司依靠的语言数据联盟(Linguistic Data Consortium)等研究所的公开可用数据。语言数据联盟是一个语音和文本数据仓库，创建于1992年，获得了美国政府的支持，属于宾夕法尼亚大学。随后，科技公司开始收集他们的自主语音数据，部分来自志愿者。这些志愿者读出自己的声音，然后由科技公司录制。现在，语音控制软件开始走俏，它收集的大部分数据来自公司的自主产品和服务。

当你使用语音指令在手机上搜索一些东西，播放歌曲或者导航时，科技公司可能就在录制你的声音。苹果、谷歌、微软以及亚马逊强调，他们对用户数据进行匿名化处理，以保护用户的隐私。当你向Alexa询问天气或者足球比赛比分时，它就会利用你的问题改进对自然语言的理解。“借助这一设计，你使用的越多，Alexa就变得越智能，”Alexa项目资深首席科学家尼克·斯特罗姆(Nikko Strom)表示。