机器如何学会听懂人说话？

一个刚学会走路的小孩摇摇晃晃穿过起居室，来到墙角的一个光滑的黑色圆柱体前停下来。他尖声说道："Alexa，播放儿童音乐。"虽然发音含混不清，但是这个圆柱体明白了请求，房间里响起了音乐。

Alexa是亚马逊的云端语音识别软件，联合早报中文网，它是黑色圆柱体音箱Echo的大脑。Alexa的面世在全球造成了轰动，除了小孩以外，因为他们觉得这是理所当然的。小孩子会伴随着Alexa成长。在人工智能的支持下，Alexa学会了回答越来越多的问题，有朝一日可能会进化到能与人自由交谈的地步。

但是，任何10岁以上的人都知道，从前不是这样的。语音识别软件发展到今天经历了漫长的道路。虽然Echo比啤酒杯更瘦，但是第一批语音识别机器——二十世纪中叶开发的那些——几乎可以占满一整个房间。

人类很久以前就试图对机器讲话——或者至少让机器对我们说话。"语音能够让我们与机器实现难以置信的简单互动，它是最自然、最方便的交互方式，也是我们每天都在使用的东西，"亚马逊设备事业部和亚马逊Alexa欧洲区副总裁乔利特·凡德·穆勒恩（Jorrit Van der Meulen）说，"语音就是未来。"

1773年，俄国科学家、在哥本哈根生活的生理学教授克里斯蒂安·克拉特齐斯坦（Christian Kratzenstein）开始思考语音技术。他制造了一个特别的设备，把共鸣管和风琴管连接起来，发出类似于人类语言中元音的声音。就在十多年后，维也纳的沃尔夫冈·冯·肯佩伦（Wolfgang von Kempelen）制造了一台类似的机械声学语音机器。在十九世纪初，英国发明家查尔斯·惠斯通（Charles Wheatstone）用皮革共鸣器改进了冯·肯佩伦的系统。该系统可以通过手动调整或控制发出像语言一样的声音。

到1881年，亚历山大·格拉汉姆·贝尔（Alexander Graham Bell）和他的兄弟查尔斯·萨姆纳·天特（Charles Sumner Tainter）一起制造了一个蜡涂层的旋转圆柱体，一根唱针对传入的声音压力作出反应，切出垂直的凹槽。这一发明为1907年获得专利的第一台留声机铺平了道路。他们是希望用机器来听写秘书念的笔记和书信，这样就不再需要速记员。随后，这些记录可以用打字机打出来。这一发明很快在全球流行起来，在越来越多的办公室里，秘书会带着笨拙的耳机，聆听录音并完成转录。

但所有这些雏形都是被动式机器——直到1952年自动数字识别机"Audrey"的问世。它由贝尔实验室（Bell Labs）制造，体型巨大，占满了一个六英尺高的继电器架子，耗电量很大，连接着大量缆线。它能够识别语音的基本单位"音素"。

那时，计算机系统非常昂贵、笨重，存储空间和运算速度有限。但是Audrey仍然能够识别数字的发音——零到九——准确率高达90%，至少它的开发者戴维斯（HK Davis）发音时是这样。当面对其他几位指定的说话者时，它的准确率为70%到80%，但如果是不熟悉的声音，它的准确率就会大大降低。"这在当时是一个惊人的成就，但是那个系统需要一整个房间的电子设备，还需要专业的电路，才能识别单个数字，"贝尔实验室信息分析部的查理·巴哈尔（Charlie Bahr）说。

由于Audrey只能识别指定说话者的声音，它的用途就比较有限：比如它可以为收费电话的接线员提供语音拨号的功能，但实际上没有这个必要，因为在大多数情况下，通过手动按钮拨号成本更低，且更简便。Audrey仍然是雏形——它领先于普通的计算机。虽然它并没有用在生产系统中，但是"它说明了语音识别是可以实现的，"巴哈尔说。

但是还有另一个目标。"我相信Audurey开发的最初目的是要减少带宽，即电线上传输的数据量，"巴哈尔的同事、诺基亚贝尔实验室（Nokia Bell Labs）的拉里·奥戈尔曼（Larry O'Gorman）说。语音识别所需带宽比原始声波要小。但是随着二十世纪七十和八十年代电话机开关的数字化，电话线路分配变的更快、更便宜，同时仍需要接线员来理解拨号请求。于是，二十世纪七十年代和八十年代，贝尔实验室语音研究投入了大量精力研究以下内容：识别数字零到十以及"是"与"否"。"电话系统在能够识别这12个单词后，就能够单纯依靠机器完成电话接线，"奥戈尔曼说。

Audrey并不是唯一。二十世纪六十年代，日本的几个团队也对语音识别进行研究，最著名的包括东京无线电研究实验室（Radio Research Lab）的元音识别器、京都大学的（Kyoto University）音素识别器和NEC实验室的数字语音识别器。

在1962年的世界博览会上，IBM展示了它的"鞋盒"（Shoebox）机器，它能够理解16个口头表达的英语单词。美国、英国和苏联还有其他研究。苏联的研究人员发明了动态规整（DTW）算法，并将其用来制造一个能够驾驭200个单词的识别器。但这些系统大都基于样本匹配，也就是把单词与存储在机器里的语音进行匹配。

最大的一次飞跃发生在1971年，当时美国国防部的研究机构Darpa出资开展一个为期五年的语音理解研究项目，目标是达到1000个单词的词汇量。很多公司和学术机构参与了该项目，包括IBM、卡内基梅隆大学（Carnegie Mellon University）和斯坦福研究所（Stanford Research Institute）。于是，Harpy在卡内基梅隆大学诞生。

和它的前辈不同，Harpy能够识别整句话。"我们不想查词典——所以我想要制造一个能够翻译话语的机器。这样，当你在讲一种语言时，它会把你说的话转换成文本，然后进行机器翻译，所有任务都一次完成，"卡内基梅隆大学曾经在Harpy项目和该大学的Hearsay-II项目工作的计算机科学教授亚历山大·韦贝尔（Alexander Waibel）说。