机器之心编译

李泽南、蒋思源 参与

英国科幻小说作家亚瑟·克拉克曾说过，任何一种足够先进的技术几乎与魔法难以区分。快速发展的语音识别技术验证了这一点，因为使用这种技术就像念咒语一样：只需对着空气说几句话，身边的设备就能完成你的请求。

亚马逊Echo是一款可以通过语音控制的圆柱形电脑，当放置在桌面上并呼叫Alexa时，它会被激活。Alexa可以播放指定的音乐和电台节目、讲笑话、回答日常生活问题，甚至控制其他智能家居设备。在去年的圣诞节前，它已经进入了全美4%的家庭。语音助手也已广泛应用于智能手机，苹果的Siri每周处理约20亿条语音指令，而美国20%的安卓端谷歌搜索是通过语音识别发出的。语音输入邮件和短信服务现在已经非常可靠，因此人们在可以对话的情况下更倾向于不用键盘打字。

这是一大进步。尽管语音识别看似简单，但要实现人类与机器间的自然交流，将语音转化为计算机可识别的指令需要大量的计算资源。从简单的图形界面到触摸屏，人们一直在寻找更直接的交互方式，希望摆脱键盘和鼠标的束缚。人们希望可以直接与计算机交谈，抛弃“用户界面”的概念。就像手机比固定电话好用，汽车比马车快，没有屏幕和键盘的计算机拥有更大的潜力，可能比现有的设备更强大，更加普及。

声音不会完全取代其他输入方式。有时保留传统的交互方式可能更有优势（亚马逊正在开发带屏幕的Echo）。但语音控制无疑将给人们带来更大的便利。想象一下，你的洗衣机可以通过语音助理告诉你剩余的工作时间，语音助理再将这条信息发送到你的手机，这种高度自动化的情景令人期待。为了充分发挥语音识别的潜力，研究人员不仅追求技术突破，还需解决便利与隐私之间的平衡难题。

Alexa，你知道深度学习吗？

语音识别系统早已存在，但长期以来它们一直不可靠，需要长时间训练才能识别特定用户的语音。新一代系统则无需训练即可准确识别任何人的语音，这得益于深度学习技术。通过数百万条数据的训练，这些系统可以准确识别人们的语音，甚至超过了人类的识别水平。基于计算机的自动翻译系统正在快速发展，它们的文本转换结果已经远远超越了机械翻译的程度。简言之，计算机在处理各种自然语言任务时已经变得快速且稳定。

虽然深度学习已经使计算机能够准确识别人类的语音，但它们仍然无法理解语言的意义。这对工程师来说仍是一个挑战。如果语音识别技术要进一步发展，就必须克服这一困难。计算机需要更好地理解日常对话中的上下文联系，以便与用户进行持续性的对话，而不仅仅是回答简单的、互相关联的语音指令（例如：“嘿，Siri，定个闹钟”）。

许多研究机构和大小公司都在努力攻克这一难关，希望构建能够与人长期正常对话的“机器人”。这种机器人不仅能检索信息，还能提供贷款建议、旅行规划等服务。（亚马逊悬赏100万美元，奖励第一个在20分钟内实现连续有效交流的聊天机器人的团队）

施法代替拼写

消费者和监管机构在语音技术的发展过程中也扮演着重要角色。即使是在目前，语音识别系统也面临着质疑：语音驱动系统在个性化设置后才能发挥最佳效果，但这需要收集大量用户数据，包括日程安排、电子邮件以及一些敏感信息。这引发了人们对隐私侵犯的担忧。

为了实现更多功能，许多语音驱动系统始终处于监听状态，等待被唤醒。一些人担心这些连接互联网的麦克风正在监听他们的房间和通话。然而，并不是所有的数据都被上传到云端，这些设备都有一个启动机制（例如“Alexa”、“OK, Google”、“Hey Cortana”或“Hey Siri”）。考虑到语音信息的存储，实际情况是否如此还不清楚。

最近，阿肯色州警方调查一起谋杀案时，发现现场有一台开机的亚马逊Echo。警方要求亚马逊提供当时设备收集的语音记录，但亚马逊拒绝了这一请求。亚马逊在隐私倡导者的支持下辩称，这类请求的法律地位尚不明确。这种情况类似于2016年苹果公司被FBI要求解锁犯罪嫌疑人iPhone的事件。这两个案例都是在法律地位不明的情况下，个人隐私与公共安全之间的冲突。

尽管这些问题依然存在，消费者们仍然会逐渐接受语音识别系统，因为相比其他交互方式，语音在许多情况下更便捷。此外，在某些特定场景下，比如驾驶、工作或外出时，语音可以将计算能力扩展到屏幕和键盘无法触及的领域。语音识别不仅改变了计算方式，也影响了语言本身。计算机同声传译可能要求说话者使用非常规的语言；而在一个机器可以正常交流的世界里，减少对话的数量可能意味着更高效的生活。迄今为止，触摸屏的普及是人机交互方式的一次重大飞跃，我们期待语音识别为我们带来下一次提升。