在AI技術(shù)發(fā)展的過程中自然語言處理技術(shù)已經(jīng)成了最重要的一大體系，隨著年代的定義越加細(xì)分化語言識(shí)別逐漸區(qū)分為語音識(shí)別和語義識(shí)別兩個(gè)概念。一字之差卻大不相同。語音識(shí)別是前提語義識(shí)別才是它的目標(biāo)。從語音識(shí)別到語義識(shí)別，中間還有多長(zhǎng)的路要走？

　　最近科技圈刮起一股收購(gòu)風(fēng)，前面博通收購(gòu)高通還在如火如荼的進(jìn)行，這周蘋果就宣布收購(gòu)音樂識(shí)別軟件Shazam。Shazam這個(gè)軟件，通過手機(jī)麥克風(fēng)收錄音頻片段，能夠識(shí)別音樂、電影、電視節(jié)目甚至是廣告。那么蘋果公司整合這項(xiàng)技術(shù)做什么？很大可能是為了其人工智能助理軟件Siri。

　　Siri使用自然語言處理技術(shù)，是AI技術(shù)的一大體系，而隨著近年定義和產(chǎn)業(yè)分工越發(fā)精細(xì)，語言識(shí)別漸漸分成了語音識(shí)別和語義識(shí)別兩個(gè)支系。語音和語義雖只有一字之差，卻有很大的不同。

　　打個(gè)簡(jiǎn)單的比方，語音識(shí)別相當(dāng)于是人的耳朵，而語義識(shí)別則是大腦，語音識(shí)別幫助機(jī)器獲取和輸出信息，那么語義識(shí)別則是對(duì)這些信息進(jìn)行識(shí)別加工。

　　在這里， 小編舉個(gè)例子來幫助大家更好的理解上面的話：

　　爸爸沒法舉起他的兒子，因?yàn)樗苤亍?/p>

　　問：誰重？

　　爸爸沒法舉起他的兒子，因?yàn)樗芴撊酢?/p>

　　問：誰虛弱？

　　可以看到，這兩個(gè)句子結(jié)構(gòu)完全一致，后面的“他”指的到底是爸爸還是爸爸的兒子？這對(duì)于我們來說輕而易舉，因?yàn)槲覀冇心芮宄耐ㄟ^我們積累的知識(shí)知道：爸爸舉不起兒子，要么兒子太重，爸爸舉不起；要么兒子不重，但是爸爸力氣小，比較虛弱，因此舉不起兒子。

　　但是對(duì)于一個(gè)只會(huì)語音識(shí)別的機(jī)器來說，它不會(huì)去思考句子中的“他”到底指的兒子還是爸爸，事實(shí)上，它也“想不清楚”。但是通過語義識(shí)別，機(jī)器會(huì)對(duì)聽到的信息進(jìn)行加工理解，從而給出正確的答案。

　　與語音識(shí)別相比，顯然語義識(shí)別顯然要更深一個(gè)層次，用到的技術(shù)也更為復(fù)雜。

　　本期《趣科技》， 小編就給大家介紹一下人工智能中，自然語言識(shí)別這一重要支系。

　　語音識(shí)別發(fā)展史

　　語音是最自然的交流方式，自從1877年愛迪生發(fā)明了留聲機(jī)，人們就開始了與機(jī)器的交談，但是主要還是與人交流，而非機(jī)器本身。

　　1950年，計(jì)算機(jī)科學(xué)之父阿蘭·圖靈在《Mind》雜志上發(fā)表了題為《計(jì)算的機(jī)器和智能》的論文，首次提出了機(jī)器智能的概念，論文還提出了一種驗(yàn)證機(jī)器是否有智能的方法：讓人和機(jī)器進(jìn)行交流，如果人無法判斷自己交流的對(duì)象是人還是機(jī)器，就說明這個(gè)機(jī)器有智能了，這就是后來鼎鼎有名的人工智能圖靈測(cè)試。

　　到20世紀(jì)80年代，語音識(shí)別技術(shù)能夠?qū)⒖谡Z轉(zhuǎn)化為文本。

　　2001年，計(jì)算機(jī)語音識(shí)別達(dá)到了80％的準(zhǔn)確度。從那時(shí)起，我們就可以提取口語語言的含義并作出回應(yīng)。然而，多數(shù)情況下，語音技術(shù)仍然不能像鍵盤輸入那樣帶給我們足夠好的交流體驗(yàn)。

　　近幾年來，語音識(shí)別又取得了巨大的技術(shù)進(jìn)步。科大訊飛董事長(zhǎng)劉慶峰在一次演講中，在演講的同時(shí)使用著最新的智能語音識(shí)別技術(shù)——可以讓他演講的內(nèi)容實(shí)時(shí)以中英文雙字幕的形式呈現(xiàn)在大屏幕上，反應(yīng)迅速、幾乎沒錯(cuò)。識(shí)別精確度超過95%。隨著這項(xiàng)技術(shù)的進(jìn)步，語音優(yōu)先的基礎(chǔ)設(shè)施變得越來越重要，亞馬遜、蘋果、谷歌、微軟和百度都迅速部署了聲音優(yōu)先軟件、軟件構(gòu)建快和平臺(tái)。

　　圖|語音發(fā)展史

　　語音識(shí)別產(chǎn)品應(yīng)用

　　語音識(shí)別作為打造良好交互體驗(yàn)的重要前提，今年的發(fā)展可謂是持續(xù)火爆。在智能音箱市場(chǎng)，首先想到的就是Amazon的Echo。Echo作為將自然語音轉(zhuǎn)化為在線指令的設(shè)備，其效率之高無容置疑，并且可保持在線的自然環(huán)境中的自然語言識(shí)別。

　　Echo的核心技術(shù)在于它集成的智能語音助手Alexa。在2015年6月25日亞馬遜曾宣布，將開放智能語音硬件Echo的內(nèi)置AI助手Alexa的語音技術(shù)，供第三方開發(fā)者免費(fèi)使用。由此可見，亞馬遜向用戶呈現(xiàn)出來的不僅僅是技術(shù)上的領(lǐng)先，還有真正落地的產(chǎn)品，以及良好的產(chǎn)品體驗(yàn)。

　　與此同時(shí)，國(guó)內(nèi)語音識(shí)別領(lǐng)域也開始爭(zhēng)奪大戰(zhàn)。以科大訊飛聽見系列產(chǎn)品為例，自2015年發(fā)布以來，總用戶突破1000萬，應(yīng)用于30余個(gè)行業(yè)。目前，已經(jīng)形成了以聽見智能會(huì)議系統(tǒng)、訊（詢）問筆錄系統(tǒng)、聽見轉(zhuǎn)寫網(wǎng)站、錄音寶APP、聽見智能會(huì)議服務(wù)等以智能語音轉(zhuǎn)寫技術(shù)為核心的產(chǎn)品和服務(wù)體系。

　　語音識(shí)別技術(shù)瓶頸

　　從下圖可以看出，語音識(shí)別的誤字率呈明顯的下降趨勢(shì)。

　　然而，即使達(dá)到100%的準(zhǔn)確率，僅限于輸入法功用的語音識(shí)別也無人機(jī)互動(dòng)的意義，它還算不得真正的人工智能。

　　我們所期望的語音識(shí)別實(shí)質(zhì)上是人機(jī)交互，大致上可以理解為人與機(jī)器之間無障礙溝通。要達(dá)到這種期望，光靠誤字率很低甚至為零的語音識(shí)別可能并不能做到，那么就需要有“大腦”的語義識(shí)別了，相對(duì)于語音識(shí)別，它可以通過人們的語氣、談話的內(nèi)容等等判斷用戶說的話到底是什么意思，而不是簡(jiǎn)單的一字不落的識(shí)別出所說的內(nèi)容。比如說：小沈陽長(zhǎng)得可真帥！在不同的語境下卻有著截然相反的意思。

　　從“傻白甜”的語音識(shí)別到“帶腦子”的語義識(shí)別，還有很長(zhǎng)的路要走。

　　口音和噪聲

　　語音識(shí)別中最明顯的一個(gè)缺陷就是對(duì)口音和背景噪聲的處理。最直接的原因是大部分的訓(xùn)練數(shù)據(jù)都是高信噪比、美式口音的英語。

　　上圖中可以看到有口音的情況下，人的錯(cuò)誤率低于模型；從高信噪比到低信噪比，人與模型之間的錯(cuò)誤率差距急劇擴(kuò)大。

　　語義錯(cuò)誤

　　實(shí)際上語音識(shí)別系統(tǒng)的目標(biāo)并不是誤字率。人們更關(guān)心的是語義錯(cuò)誤率。

　　舉個(gè)語義錯(cuò)誤的例子，比如某人說“l(fā)et’s meet up Tuesday”，但語音識(shí)別預(yù)測(cè)為“l(fā)et’s meet up today”。我們也可能在單詞錯(cuò)誤的情況下保持語義正確，比如語音識(shí)別器漏掉了“up”而預(yù)測(cè)為“l(fā)et’s meet Tuesday”，這樣話語的語義是不變的。

　　將模型與人工進(jìn)行比較時(shí)的重點(diǎn)是查找錯(cuò)誤的本質(zhì)，而不僅僅是將誤字率作為一個(gè)決定性的數(shù)字。

　　微軟研究人員將他們的人工級(jí)語音識(shí)別器的錯(cuò)誤與人類進(jìn)行過比較。他們發(fā)現(xiàn)的一個(gè)差異是該模型比人更頻繁地混淆“uh”和“uh huh”。而這兩條術(shù)語的語義大不相同：“uh”只是個(gè)填充詞，而“uh huh”是一個(gè)反向確認(rèn)。這個(gè)模型和人出現(xiàn)了許多相同類型的錯(cuò)誤。

　　單通道和多人會(huì)話

　　一個(gè)好的會(huì)話語音識(shí)別器必須能夠根據(jù)誰在說話對(duì)音頻進(jìn)行劃分，還應(yīng)該能弄清重疊的會(huì)話（聲源分離）來理解音頻。

　　一個(gè)人在一個(gè)有多個(gè)人說話的環(huán)境中的時(shí)候，能夠很容易的分辨出自己要與某人說話，并且能夠在同時(shí)與多個(gè)人交談。很明顯，目前的語音識(shí)別器并不能做到這一點(diǎn)。當(dāng)多個(gè)人對(duì)著麥克風(fēng)講話時(shí)，它可能直接就“懵”了。

　　上下文理解

　　實(shí)際生活中我們會(huì)使用許多其他的線索來輔助理解別人在說什么。

　　列舉幾個(gè)人類使用上下文而語音識(shí)別器沒有的情況：

　　歷史會(huì)話和討論過的話題；

　　說話人的視覺暗示，包括面部表情和嘴唇動(dòng)作；

　　關(guān)于會(huì)話者的背景。

　　可以看到雖然目前語音識(shí)別技術(shù)的誤字率已經(jīng)低于5%，但想從語音識(shí)別轉(zhuǎn)變成真正的語義識(shí)別，是仍然面臨著很多挑戰(zhàn)。

　　語音識(shí)別到真正的語義識(shí)別

　　語音識(shí)別和語義識(shí)別合起來的語言識(shí)別雖然為人工智能的一大支系，但是比起語音識(shí)別，顯然語義識(shí)別要更加智能。在這里， 小編先給大家梳理一下人工智能，機(jī)器學(xué)習(xí)，深度學(xué)習(xí)，神經(jīng)網(wǎng)絡(luò)這些術(shù)語之間的關(guān)系，大家或許就更加能理解從語音識(shí)別到真正的語義識(shí)別還有哪些路要走（目前市場(chǎng)上有很多做語義識(shí)別的公司，但是跟人類相比還存在一定的距離。）？

　　人工智能（AI）是一個(gè)大的概念，它是機(jī)器學(xué)習(xí)的父類。

　　除學(xué)習(xí)之外的人工智能可以歸納成了“邏輯/算法編程”，也就是通過編程將人類所知的知識(shí)和邏輯告訴機(jī)器，從而借助機(jī)器的高速計(jì)算和海量存儲(chǔ)等能力實(shí)現(xiàn)一些人類才能做的“弱智能”工作，像上世紀(jì)深藍(lán)計(jì)算機(jī)，將國(guó)際象棋中所有可能的結(jié)果都通過預(yù)先編好的程序計(jì)算出來從而選擇最佳的下法（窮舉法）。從程序的實(shí)現(xiàn)上來說恐怕就是無數(shù)的if…else…吧。

　　而另一類就是基于數(shù)據(jù)的自我學(xué)習(xí)，把大量的數(shù)據(jù)告訴機(jī)器由機(jī)器自己去分析這些數(shù)據(jù)從而總結(jié)得出某種規(guī)律/邏輯，然后利用這種邏輯來處理新的數(shù)據(jù)。

　　毫無疑問，學(xué)習(xí)是人工智能中最為火熱和最有前途的方向，讓人去“學(xué)習(xí)”那么復(fù)雜的邏輯來告訴機(jī)器怎么做還不如讓機(jī)器自己來學(xué)習(xí)呢，畢竟人都是懶的嘛，而“懶”就是人類進(jìn)步的動(dòng)力！

　　學(xué)習(xí)是不斷的訓(xùn)練過程，其模型是在連續(xù)的優(yōu)化調(diào)整中，隨著訓(xùn)練數(shù)據(jù)越多其模型越準(zhǔn)確，但是人類的學(xué)習(xí)不僅僅是一個(gè)連續(xù)學(xué)習(xí)過程，還有一種跳躍式學(xué)習(xí)，也就是常說的“頓悟”，這點(diǎn)是機(jī)器學(xué)習(xí)目前所沒有的。

　　也就是說，要從語音識(shí)別成功轉(zhuǎn)變成真正意義上的語義識(shí)別，首先要獲得大量的數(shù)據(jù)（比如說普通話，上海方言等），用過這些數(shù)據(jù)不斷訓(xùn)練，來提高識(shí)別的準(zhǔn)確率。

　　圖|語義識(shí)別市場(chǎng)

　　雖說實(shí)現(xiàn)真正的語義識(shí)別不容易，但是就目前的市場(chǎng)分析來看，語義識(shí)別已經(jīng)滲透到了我們的生活之中，作為人工智能的基礎(chǔ)性技術(shù)之一，隨著技術(shù)的不斷成熟，語義識(shí)別將不斷地改變更多的傳統(tǒng)行業(yè)。

　　圖|人工智能各分支占比

　　在人工智能的整個(gè)領(lǐng)域里，自然語言處理無論是在創(chuàng)業(yè)熱度/獲投數(shù)量還是獲投金額都處于細(xì)分領(lǐng)域的前三名。據(jù)有關(guān)數(shù)據(jù)分析，預(yù)計(jì)到2024年，市場(chǎng)規(guī)模可達(dá)110億美元。并且在這個(gè)領(lǐng)域還沒有出現(xiàn)巨頭，這塊蛋糕還給創(chuàng)業(yè)者留有大量的余地。可以說語音識(shí)別（在這里指的整個(gè)語言識(shí)別）未來的市場(chǎng)發(fā)展十分有看頭。

　　想象一下，當(dāng)語音識(shí)別發(fā)展到一定程度，我們坐在電視機(jī)前就可以語音遙控想看的節(jié)目。假如你要看英劇《神探夏洛克》，經(jīng)常會(huì)被人叫成《神探夏洛特》（因?yàn)橄穆逄馗樧旎蛘吒毡椋@時(shí)候如果不做語義理解，可能你搜出來的名字就是《夏洛特?zé)馈罚驗(yàn)樗l度也很高。

　　圖|語義識(shí)別帶來的人機(jī)交互

　　專做語義識(shí)別的三角獸公司CTO亓超對(duì)以上現(xiàn)象如此解釋：當(dāng)你沒有辦法記住片子完整名字時(shí)，語義識(shí)別需要給你做糾正，做更合適處理。其實(shí)用戶在看電視產(chǎn)生很大需求，當(dāng)用戶不知道要看什么，需要機(jī)器幫忙做推薦和引導(dǎo)，而這個(gè)過程中精準(zhǔn)化程度、和人性化程度取決于智能化程度。

　　當(dāng)語音識(shí)別發(fā)展到一定的程度，語義識(shí)別或?qū)⒊蔀樾碌闹髁鳌?/p>