声控自动化技术，让你动口不动手
一艘由日本制造的新型自动化远洋货轮，正行驶在前往澳大利亚的航线上。这艘货轮的外形并不特别，但它却有着过人之处——货轮的船长随身携带着一只无线话筒，无论在船上的哪个区域，只要他对着话筒发出操纵货轮航行的口令，船上的主控电脑就能接收信号并予以识别，然后由它发出相应的操作信号，自动操纵货轮航行。
以上情景就是靠近年来最新声控自动化技术实现的，这项技术随着近年来电脑技术、微电子技术的不断变革，正在突飞猛进。在国际电子产品市场上，不断涌现出能“听”会“说”的新产品，使用者只需动口就能轻松操控它们，它们甚至还能和使用者沟通交流。那么究竟这些新产品是怎么长出“耳朵”和“嘴巴”的呢？
机器的“耳朵”——语言识别器
声控技术的关键是要让机器能够听懂人的口令，这是一个非常复杂的过程，要想了解其中的奥秘，首先得谈谈人类的语言。
语言是一种波形复杂、变化多端的声波。科学家利用一种叫做语图仪的专门仪器分析过人类语言的动态频谱，结果发现，每个语音的语图都是由几条“带子”组成的。当然，语音不同，“带子”的形状也不同。但只要说的是同一个字音，那么不管是谁发声，这几条“带子”的形状都会基本一致。也就是说，每个语音中都含有某种不变的特质，而这个特质就是人的听觉将会感受到的核心因素，语言学家把它称为口腔共鸣的特征频率。
这些特征频率为科学家研发声控技术提供了便利——如果能够制造一种机器“耳朵”，并在其中嵌入每个语音的特征频率的“样板”，那么当这只“耳朵”听到人类的口令后，不就能将其分解成不同的语音，再同存储的“样板”进行比较核对，随后借助自动控制电路，最终实现按照口令完成各种动作了吗？
道理虽然简单，实际开发却并不容易，科研人员需要解决复杂的数学运算过程，同时克服一系列技术上的难题。
随着科学技术的进步，电脑的问世让人类制造这样的机器“耳朵”成为可能。20世纪60年代，科学家开始在实验室里研究声控技术的核心——语言识别技术。20世纪70年代末，微电脑的出现更是让声控技术实现了飞跃式发展——微电脑处理与存贮信息的神奇功能，以及它低廉的价格、小巧的体积，为声控技术走出实验室创造了必要条件，人们由此开启了实际应用声控技术的新时期。
产品的更新换代
20世纪70年代中期，美国出现了一种叫做“小先生”的电子玩具，它能向儿童提出简单的算术题和拼读英文单词题，而儿童则可以用说话来回答。如果回答正确，屏幕上就会出现“Yes”的字样，同时发出赞许声;如果回答错误，屏幕上则会出现“No”，同时继续提问。这种有趣的幼儿学习工具一经推出，便大受欢迎。
随后，丰富多彩的具有声控功能的电子产品开始不断问世：声控电视机能根据使用者发出的口令，自动开关、选择电视频道、调节亮度与色度;声控打字机会按照人的口授，自动打字、断句、起行，还能自动阅读，让使用者方便校核;声控翻译器能把口述的简单语句，进行自动翻译，并将最终结果显示在屏幕上;声控电梯则可以让残障人士尽享便利，轻松操控电梯上下、开关……
如今，声控技术已经更加广泛地应用于各类电子产品上。
比如苹果手机用户非常熟悉的Siri，就是一种智能语音控制系统，它不仅可以支持自然语言输入，还可以调用系统自带的天气预报、日程安排、搜索资料等应用，更能够不断学习新的声音和语调，提供对话式的应答。
最近，在英国还出现了专门为丧失生活自理能力人士设计的声控房间，室内的一切器具都可以通过主人发令而自动运行。房间内的声控装置只有一本笔记本大小，而且只能识别主人的指令，残障人士可以通过它轻松地开关门窗、启动家电。
在国外某些重要的通讯、交通或情报部门，声控技术还得到了更为实际的应用——自动预定车辆、分拣行李、查阅文献资料等等，不一而足。
目前，这些声控装置按照其识别语言的状况大致分为两类：一类是限定单词的语音识别声控装置，另一类则是非限定单词的语音识别声控装置。第一类装置只能“听”懂规定范围内的单词口令，一般只有几百个，识别率在90%以上。第二类装置能够“听”懂的单词数量在几千个左右，还可以识别复杂的语句，其中的技术自然也比第一类装置更先进。
让机器说话——语言合成器
时至今日，能够“听”懂人类语言的机器已经不是什么新玩意儿了，现在机器装置的发展新趋势是借助“电子嘴巴”为机器增加“说”的功能，而“电子嘴巴”就是语言合成器。微电子技术的迅猛发展，已经可以把这种复杂的装置制造成微小的大规模集成电路，推广普及应用到各种声控装置中。
机器能够模仿人声发出合成语言的道理，恰恰是语言识别过程的逆转。把合成语言频带的一系列不同频率的振荡电压，按照语图的形状组合起来，再经过扬声器放音，就是语言合成器的工作过程。
其实，这种人造语言技术远比机器识别语言技术要成熟得多。早在1939年，在美国纽约世界博览会上就曾展出过一台形似钢琴的大型仪器，它就能模拟人声发音讲话。这台最早的人工语言合成装置曾经轰动一时，但由于体积过于庞大，一直未能走向市场。如今，语言合成器日臻成熟完善，体积也不断缩小，终于有机会来到你我身边。
机器合成语言的方法通常有三种，其中效果最好、效率最高的就是波形译码法。这种方法是用极高的频率连续测定每个音节的声波波形，将测定结果变为二进位数码输入到电脑中，使用时只需将数码取出并经过适当组合，就能转换为电信号发出声音。不过，这种方法每秒大约要处理5万个码，在单位时间内需要处理的信息量太大，因此只有超级计算机才能胜任。第二种方法是音素合成法，它能把语音信息压缩到每秒100个数码，同时将声母音进行提取，按照顺序排列，配以音调发生器与滤波器，发出缓慢的、勉强可懂的人工合成语言。但这种方法的准确度较低，只能在要求不高的场合使用。第三种方法是当前比较流行的线性预测编码法，它是在音素合成法的基础上进一步完善而成的。
语言合成器除了作为声控装置的一部分得到应用外，还被制成了文字语言转换装置，比如为盲人量身打造的、能够“读书看报”的阅读机。
神奇的未来
最近，在美国新奥尔良市举行的一次电脑展览会上，出现了一款使用者能够通过日常口语直接向电脑提问，或是操控电脑的新程序，人们不必再像以往那样借助键盘或鼠标输入各类指令——传统使用电脑的方式发生了改变。
电脑固然可以代替人的部分脑力劳动，但是它要求人们必须为其编制好程序。所以，编制程序才是人们掌握电脑的最大障碍，这也是正版软件价格可能超出电脑硬件价格的一个重要原因。假如声控技术逐步完善，将来就有可能免除人工编制程序的繁琐过程——电脑将会按照口令自行编制工作程序。事实上，这个美好的愿望很快就将实现，美国、日本和欧盟正在大力研发的第五代人工智能电脑，都将具有这类神奇功能。
目前来看，声控自动化技术还算不上尽善尽美，但相信大家都有更美好的期待。如果要用一句诗词来形容这项技术，那便是“此时无声胜有声”，不对，应该是“此时有声胜无声”！
作者：雷辉志
