论文部分内容阅读
只听一声“启动！”主角对着机器发出了指令，紧接着，机器非常听话地发出“咔咔咔”的启动声，这是我们在很多科幻剧中都能见到的场景。如今，这种场景不再是我们的脑洞，相信大家都用手机和平板电脑感受过声音控制的爽快了。没错，语音作为一种便捷的交流方式，在其基础上发展出的声控，有着怎样令人惊叹的技术呢？
声控技术的前世今生
最早期的声控技术并不涉及具体的语音，而是只要感受到声音的存在，就可以实现开启和关闭的功能。在实现这项功能的过程中，发挥最主力作用的玩意儿叫作“传声器”。也许这个名字听起来有点陌生，但是它的绰号“麦克风”，你们肯定耳熟能详了。传声器的本质就是一种将声音信号转变为电信号的转换装置。发明它的是大名鼎鼎的“电话之父”——亚历山大·贝尔。
传声器的原理并不复杂，它有一个非常灵敏并能够感受到声波微小振动的振膜：当振膜振动后，会带动与其相连的電磁铁不断开合，这样一来就产生了变化的电流，这就是由声音信号转变而来的电信号。电信号再经过一系列的放大、整流、滤波处理之后，既可以实现各种控制功能，也可以重新还原为人声语音。当然，除了电磁铁，还有电阻、电容、晶体等其他触发产生电信号的方法，更新颖的科技还在不断地开发中。
虽然早期声控技术因为设计简单，触发条件也过于单一，如今已逐渐被淘汰。但我们依然能够在不少场合发现它的存在。比如楼道里的声控灯，为夜晚出行的居民们带来了莫大的方便。它的原理就是最简单的声控技术。
从声音控制到语音控制
当声控技术发展到一定阶段之后，有人就开始琢磨了：咱能不能再更进一步，实现语音控制呢？毕竟，多样化的语音能够实现更多操纵与控制的可能。可是人的声音各不相同，怎样才能让机器准确地识别出每个人说的话呢？
其实早在计算机发明之前，关于语音控制的设想就已经被先驱者们提出了。早期的声码器就可以被视为一种语音识别仪器的雏形。1920年生产的玩具狗“电波雷克斯”（Radio Rex）可能是世界上最早的语音识别装置。这么看来，作为最原始的人工智能，它可能是“阿尔法狗”的老祖宗了……
后来，经过声学家、语言学家和算法大神们的不懈努力，人们终于发现了语音可以被识别的方式：人类的语音具有两种彼此密切相关却又相对独立的特征，它们分别是语言特征和声学特征。所谓语言特征，就是指我们说的每一句话，都可以最终细分到一个字或一个词，而这些字词之间，有些存在非常高的相关性，有些呢，又几乎老死不相往来。比如，“尴”这个字后面，八成会跟着“尬”，但是后面跟着其他字比如“你”，这样的组合就几乎从未出现过。这涉及一个概率问题，可以通过概率统计的方式来找出其中的内在规律。
而声学特征就更容易理解了。打个比方，三国时期的猛将张飞在当阳桥上一声断喝，吓退了多少曹兵。有些站得远的小兵，可能根本没看清对面那个大汉是谁，然而光听见声音，就知道是燕人张翼德了。这就是因为张飞的语音很有特点。这种特点包括“嗓门大、声音浑厚、带有河北一带口音”。是的，这三个特点就分别对应了声学特征的三大属性：物理属性、生理属性和社会属性，是不是一目了然呢？
语音识别，横空出世
当人类逐渐掌握了语音的奥秘之后，就开始挑战语音识别这个看上去高深莫测的黑科技了。20世纪60年代，计算机的快速发展推动了语音识别技术，科学家发明了许多关于它的理论，其中最有名的就是隐马尔可夫模型（HMM）（名字听起来真晦涩）。其实，当时绝大多数的工程师们看到这些理论公式时也是一头雾水。到了80年代，以“贝尔”命名的AT&T Bell实验室迈出了决定性的一步，他们把原本深奥无比的纯数学模型工程化，为应用开发打下了重要的基石。再到90年代，深度神经网络技术的突破性发展，让语音技术的发展突破了瓶颈。于是21世纪后的语音识别技术发展，就像是坐了火箭一样“蹭蹭蹭”地突飞猛进。
有了这些基础，再来看语音识别的原理，好像也没有那么复杂嘛。简单地说就是当语音输入后，计算机进行两类特征提取，再将提取的特征值放进一个庞大的模型库里。在这个模型库中不断地进行训练和匹配，最终通过解码得到结果。用一个形象的比喻来说，就好比把一幅拼图打碎，再将每片拼图的形状和图案特征都放进一个拼图库里不断地组合，和原图对比，最终得到最接近原图的那一幅。当然了，这只是个粗浅的比喻，具体的实现还涉及神经网络机器学习、语言学、算法、编程等专业知识。
“声控”可以无处不在
声控技术是为了给人类带来便利的。因此，在我们生活中的各个角落都可以用到它。特别是一些不适合用手来操作的场合，例如开车。通过声控技术，我们只要开口说话，就能让车辆执行需要的动作：打开地图导航、开启空调、关闭车窗、呼叫紧急处理服务等等。毕竟，一边开车一边分心去找那些按钮是很危险的。还有现在智能设备上的交互系统，比如微软家的Cortana、三星家的S-voice、苹果家的Siri，都使用了语音识别的功能。我国也研发了自己的系统，比如搜狗和讯飞，根据中文口音、连读等独特的发音习惯，打造属于中国人的语音输入系统。
随着科技的不断发展，声控技术只会越来越普及。我们可以预见，在未来的每个角落，我们都能用自己最熟悉的沟通方式和生活中的设备互动。这极大地增加了生活的便利性和幸福感，或许实现和人工智能的便捷交流也不再遥远。
声控技术的前世今生
最早期的声控技术并不涉及具体的语音，而是只要感受到声音的存在，就可以实现开启和关闭的功能。在实现这项功能的过程中，发挥最主力作用的玩意儿叫作“传声器”。也许这个名字听起来有点陌生，但是它的绰号“麦克风”，你们肯定耳熟能详了。传声器的本质就是一种将声音信号转变为电信号的转换装置。发明它的是大名鼎鼎的“电话之父”——亚历山大·贝尔。
传声器的原理并不复杂，它有一个非常灵敏并能够感受到声波微小振动的振膜：当振膜振动后，会带动与其相连的電磁铁不断开合，这样一来就产生了变化的电流，这就是由声音信号转变而来的电信号。电信号再经过一系列的放大、整流、滤波处理之后，既可以实现各种控制功能，也可以重新还原为人声语音。当然，除了电磁铁，还有电阻、电容、晶体等其他触发产生电信号的方法，更新颖的科技还在不断地开发中。
虽然早期声控技术因为设计简单，触发条件也过于单一，如今已逐渐被淘汰。但我们依然能够在不少场合发现它的存在。比如楼道里的声控灯，为夜晚出行的居民们带来了莫大的方便。它的原理就是最简单的声控技术。
从声音控制到语音控制
当声控技术发展到一定阶段之后，有人就开始琢磨了：咱能不能再更进一步，实现语音控制呢？毕竟，多样化的语音能够实现更多操纵与控制的可能。可是人的声音各不相同，怎样才能让机器准确地识别出每个人说的话呢？
其实早在计算机发明之前，关于语音控制的设想就已经被先驱者们提出了。早期的声码器就可以被视为一种语音识别仪器的雏形。1920年生产的玩具狗“电波雷克斯”（Radio Rex）可能是世界上最早的语音识别装置。这么看来，作为最原始的人工智能，它可能是“阿尔法狗”的老祖宗了……
后来，经过声学家、语言学家和算法大神们的不懈努力，人们终于发现了语音可以被识别的方式：人类的语音具有两种彼此密切相关却又相对独立的特征，它们分别是语言特征和声学特征。所谓语言特征，就是指我们说的每一句话，都可以最终细分到一个字或一个词，而这些字词之间，有些存在非常高的相关性，有些呢，又几乎老死不相往来。比如，“尴”这个字后面，八成会跟着“尬”，但是后面跟着其他字比如“你”，这样的组合就几乎从未出现过。这涉及一个概率问题，可以通过概率统计的方式来找出其中的内在规律。
而声学特征就更容易理解了。打个比方，三国时期的猛将张飞在当阳桥上一声断喝，吓退了多少曹兵。有些站得远的小兵，可能根本没看清对面那个大汉是谁，然而光听见声音，就知道是燕人张翼德了。这就是因为张飞的语音很有特点。这种特点包括“嗓门大、声音浑厚、带有河北一带口音”。是的，这三个特点就分别对应了声学特征的三大属性：物理属性、生理属性和社会属性，是不是一目了然呢？
语音识别，横空出世
当人类逐渐掌握了语音的奥秘之后，就开始挑战语音识别这个看上去高深莫测的黑科技了。20世纪60年代，计算机的快速发展推动了语音识别技术，科学家发明了许多关于它的理论，其中最有名的就是隐马尔可夫模型（HMM）（名字听起来真晦涩）。其实，当时绝大多数的工程师们看到这些理论公式时也是一头雾水。到了80年代，以“贝尔”命名的AT&T Bell实验室迈出了决定性的一步，他们把原本深奥无比的纯数学模型工程化，为应用开发打下了重要的基石。再到90年代，深度神经网络技术的突破性发展，让语音技术的发展突破了瓶颈。于是21世纪后的语音识别技术发展，就像是坐了火箭一样“蹭蹭蹭”地突飞猛进。
有了这些基础，再来看语音识别的原理，好像也没有那么复杂嘛。简单地说就是当语音输入后，计算机进行两类特征提取，再将提取的特征值放进一个庞大的模型库里。在这个模型库中不断地进行训练和匹配，最终通过解码得到结果。用一个形象的比喻来说，就好比把一幅拼图打碎，再将每片拼图的形状和图案特征都放进一个拼图库里不断地组合，和原图对比，最终得到最接近原图的那一幅。当然了，这只是个粗浅的比喻，具体的实现还涉及神经网络机器学习、语言学、算法、编程等专业知识。
“声控”可以无处不在
声控技术是为了给人类带来便利的。因此，在我们生活中的各个角落都可以用到它。特别是一些不适合用手来操作的场合，例如开车。通过声控技术，我们只要开口说话，就能让车辆执行需要的动作：打开地图导航、开启空调、关闭车窗、呼叫紧急处理服务等等。毕竟，一边开车一边分心去找那些按钮是很危险的。还有现在智能设备上的交互系统，比如微软家的Cortana、三星家的S-voice、苹果家的Siri，都使用了语音识别的功能。我国也研发了自己的系统，比如搜狗和讯飞，根据中文口音、连读等独特的发音习惯，打造属于中国人的语音输入系统。
随着科技的不断发展，声控技术只会越来越普及。我们可以预见，在未来的每个角落，我们都能用自己最熟悉的沟通方式和生活中的设备互动。这极大地增加了生活的便利性和幸福感，或许实现和人工智能的便捷交流也不再遥远。