不久前，某科技公司发布手机新品，在发布会现场，出人意料的为某品牌语音输入法进行了长达十多分钟的宣传，主讲人用较快的语速随口说了一段内容，经输入法输出在屏幕上，识别结果竟然一字不差。发布会结束后，引爆了该输入法的知名度，尤其是之后几天，该输入法在App Store排行榜上排名飞升，一举成为总榜top10以及工具榜的第一位。
该语音输入法，是由中文语音产业领导者科大讯飞推出的一款输入软件。科大讯飞作为中国最大的智能语音技术提供商，在智能语音技术领域有着长期的研究积累，并在中文语音合成、语音识别、口语评测等多项技术上拥有国际领先的成果。而包括讯飞语音输入法在内的语音助手，也几乎遍布每一部智能手机，如苹果的Siri、Google Now以及微软Cortana等。今天，我们就来谈谈语音技术，即人机语音交互技术。
语音技术实现了人机语音交互的功能，使人与机器之间的沟通变得像人与人沟通一样简单方便。语音技术主要包括语音识别和语音合成这两项关键技术。语音识别技术，用于让机器识别人说的话，如罗永浩在发布会上通过语音输入法进行输入，这就是使用了语音识别技术；语音合成技术，则用于让机器说“人话”，如我们平时可能使用的语音导航，大多基于语音合成技术。
具体来说，语音合成技术，又称为文语转换（Text-to-Speech），是将文本转换成自然语音的技术。
一个典型的语音合成系统如上图所示，对于要输出的文本，先要进行文本分析，即结合字典进行文本预处理，主要包括词法、语法和语义分析，然后使用韵律模型对已处理文本就声调、语气、停顿等因素进行韵律分析处理，最后再根据语音参数和语音单元进行语音生成，输出的就是类似人声的语音了。具体的语音合成方法有参数合成、规则合成和波形编辑合成等。
以参数合成中的发音器官参数合成方法为例展开介绍，这是一种对人的发音过程进行直接模拟的方法。使用该方法时，先对语音信号进行分析，提取出语音的参数，然后由人工控制这些参数的合成，从而完成语音合成。发音器官参数合成方法定义了唇、舌、声带的相关参数，如唇开口度、舌高度、舌位置、声带张力等。由这些发音参数估计声道截面积函数，进而计算声波。只是，由于人发音生理过程的复杂性、理论计算与物理模拟之间的差异，合成语音的质量暂时还不理想。
语音识别技术，又称为语文转换（Speech-to-Text），与语音合成技术的功能相对的，是将自然语音转换成文字的技术。
根据研究任务的不同，语音识别系统有不同的分类。按使用者的限制，可分为特定人和非特定人语音识别系统，前者只能识别一个或几个人的语音，而后者则可以被任何人使用；按词汇量的大小，可分为小词汇量、中等词汇量和大词汇量语音识别系统；按能处理的语音类型，可分为孤立词、连接词、连续语音和自发语音等语音识别系统；甚至按平台分，也可分为PC端和嵌入式平台上的语音识别系统。
如上图所示，一个典型的语音识别系统由以下部分构成：首先对语音输入进行特征提取，然后结合声学模型、语言模型和字典等模型库进行模式分类匹配和解码等操作，最后再进行置信度判分，得到识别结果并确定语音输入的文字表示。一般衡量语音识别技术有准确率、反应时间和处理性能等评价指标。像讯飞语音输入法，就声称达到了97%左右的准确率，也难怪罗永浩在演示该输入法时可以做到一字不差了。
目前国内的许多主流应用都集成了讯飞语音云提供的语音技术，典型的如新浪微博、米聊以及掌阅等，各大导航类应用也都采用了讯飞语音技术。尽管现在，受语音的复杂性、模糊性等因素和环境噪声干扰，语音识别准确率不能尽善尽美，语音合成技术也存在自然度和表现力不足的问题，但是随着机器学习尤其是深度学习的研究逐渐成熟，相信语音技术的进一步完善只是时间问题。到时候，如果蒙上我们的双眼，谁能确定和自己说话的是人还是机器呢？
出品：科普中国
制作：未来人团队
监制：中国科学院计算机网络信息中心
“科普中国”是中国科协携同社会各方利用信息化手段开展科学传播的科学权威品牌。
本文由科普中国融合创作出品，转载请注明出处。
