語(yǔ)音對(duì)于人機(jī)交互的重要性毋庸置疑，無(wú)論是國(guó)內(nèi)外企業(yè)，都在語(yǔ)音識(shí)別的速度、準(zhǔn)確度以及多語(yǔ)種方面持續(xù)創(chuàng)新，但是當(dāng)機(jī)器面對(duì)那些有口音的人來(lái)說(shuō)，似乎就沒有那么靈敏了：不僅注意力會(huì)不集中，反應(yīng)遲鈍，甚至還會(huì)成為一個(gè)獨(dú)立的個(gè)體，不予任何回應(yīng)。如何解決口音識(shí)別問(wèn)題，已成為智能語(yǔ)音下一階段的競(jìng)爭(zhēng)焦點(diǎn)，但這不僅僅是單純的增加語(yǔ)料庫(kù)就能提升的，好在已經(jīng)有少數(shù)公司，開始通過(guò)構(gòu)建新的語(yǔ)音模型，來(lái)解決口音問(wèn)題。

自IBM的Shoebox與Worlds of Wonders的Julie Doll問(wèn)世以來(lái)，語(yǔ)音識(shí)別技術(shù)已經(jīng)取得了長(zhǎng)足進(jìn)步。甚至有報(bào)道稱，到2018年底，谷歌Google Assistant將支持超過(guò)30種語(yǔ)言。除此以外，高通已經(jīng)開發(fā)出了一款能夠識(shí)別單詞和短語(yǔ)的語(yǔ)音識(shí)別設(shè)備，準(zhǔn)確率高達(dá)95％。而微軟也不甘示弱，其呼叫中心解決方案（智能語(yǔ)音客服）比人工展開的呼叫服務(wù)更準(zhǔn)確，更高效。

但需要注意的是，盡管在機(jī)器學(xué)習(xí)的加持下，語(yǔ)音識(shí)別技術(shù)取得了巨大的進(jìn)步，但現(xiàn)在的語(yǔ)音識(shí)別系統(tǒng)還是不完美的。比如，不同地區(qū)的口音，讓這項(xiàng)技術(shù)擁有了很強(qiáng)的“地域歧視性”。通常情況下，口音對(duì)人類來(lái)說(shuō)不是什么大問(wèn)題，有時(shí)還會(huì)讓人感覺到一種異國(guó)風(fēng)情的魅力，但是對(duì)機(jī)器而言，這是一條難以跨越的鴻溝，可能是其發(fā)展過(guò)程中面臨的最大挑戰(zhàn)。

研究顯示口音是語(yǔ)音識(shí)別技術(shù)的挑戰(zhàn)之一

最近，華盛頓郵報(bào)與Globalme和Pulse Labs兩家語(yǔ)言研究公司合作，對(duì)搭載了語(yǔ)音識(shí)別技術(shù)的智能音箱設(shè)備的口音問(wèn)題進(jìn)行了研究，研究范圍來(lái)自美國(guó)近20個(gè)城市、超過(guò)100名參與者發(fā)出的數(shù)千條語(yǔ)音命令，結(jié)果顯示，這些系統(tǒng)在理解來(lái)自不同地區(qū)的人的語(yǔ)言時(shí)存在顯著差異。

舉個(gè)例子，谷歌智能音箱Google Home識(shí)別西岸口音的準(zhǔn)確率比識(shí)別南方口音高3％；而亞馬遜語(yǔ)音助手Alexa識(shí)別中西部的口音的準(zhǔn)確率要比東岸口音低2％。但面臨最大問(wèn)題的是持非本土口音的人：在一項(xiàng)研究中，通過(guò)對(duì)比Alexa識(shí)別的內(nèi)容與測(cè)試組的實(shí)際話語(yǔ)，結(jié)果顯示不準(zhǔn)確率可達(dá)30％。此外，面對(duì)以西班牙語(yǔ)和漢語(yǔ)作為第一語(yǔ)言的人所說(shuō)的英文，不管是Google Home還是Amazon Echo，其識(shí)別率都是最低的，要知道，拉丁裔和華裔是美國(guó)的兩大移民族群。

雖然這項(xiàng)研究是非正式的，也存在一定的限制，但其結(jié)果還是表明口音仍是語(yǔ)音識(shí)別技術(shù)面臨的主要挑戰(zhàn)之一。對(duì)此，亞馬遜在一份聲明中稱，“隨著越來(lái)越多的擁有不同口音的人與Alexa進(jìn)行交流，Alexa的理解能力也會(huì)得到改善。”同時(shí)，谷歌也表示，“在擴(kuò)大數(shù)據(jù)集的同時(shí)，我們也將繼續(xù)提高Google Home的語(yǔ)音識(shí)別能力。”

事實(shí)上，不只是Amazon Echo和Google Home，采用率更低一些的微軟Cortana和蘋果Siri也是如此，它們都需要及時(shí)提高自家的語(yǔ)音識(shí)別技術(shù)，以便讓用戶感到滿意的同時(shí)，又能在全球范圍內(nèi)擴(kuò)大自己的影響力。

即使增加語(yǔ)料庫(kù)，也無(wú)法解決口音識(shí)別問(wèn)題

隨著人工智能的發(fā)展，語(yǔ)音已經(jīng)成為了人與計(jì)算機(jī)交互的核心方式之一，所以即使理解上有極其微小的偏差，也可能意味著一個(gè)巨大的障礙。也就是說(shuō)，這種語(yǔ)言差異可能會(huì)給那些現(xiàn)代科技的基礎(chǔ)系統(tǒng)帶來(lái)潛在的隱患，畢竟除了廚房和起居室，智能音箱在用戶的工作場(chǎng)所、學(xué)校、銀行、醫(yī)院以及酒店等地方也承擔(dān)著越來(lái)越重要的責(zé)任，除了控制設(shè)備還要傳遞信息，并完成一些預(yù)訂和購(gòu)物工作等。

為了改善語(yǔ)音助手的口音識(shí)別情況，亞馬遜與谷歌等正在投入資源，用新的語(yǔ)言和口音訓(xùn)練測(cè)試系統(tǒng)，包括創(chuàng)建游戲以鼓勵(lì)大家使用不同地區(qū)的方言進(jìn)行交談。而像IBM和微軟這樣的公司，都會(huì)通過(guò)Switchboard語(yǔ)料庫(kù)來(lái)降低語(yǔ)音助手的出錯(cuò)率。但是事實(shí)證明，語(yǔ)料庫(kù)也無(wú)法徹底解決語(yǔ)音助手的口音識(shí)別問(wèn)題。

對(duì)此，埃森哲全球責(zé)任AI監(jiān)理Rumman Chowdhury表示，“數(shù)據(jù)是混亂的，因?yàn)閿?shù)據(jù)反映了人性。這就是算法最擅長(zhǎng)的：尋找人類的行為模式。”

算法的這一情況被稱為“算法偏差”，用于反應(yīng)機(jī)器學(xué)習(xí)模型對(duì)數(shù)據(jù)或設(shè)計(jì)產(chǎn)生的偏見程度。比如，現(xiàn)在有很多報(bào)告都顯示了面部識(shí)別技術(shù)的敏感性——尤其是亞馬遜AWS的圖像識(shí)別技術(shù)Rekognition——有很大的偏見傾向。此外，算法偏差還會(huì)出現(xiàn)在其他方面，像預(yù)測(cè)被告是否會(huì)在未來(lái)犯罪以及Google News等應(yīng)用背后的內(nèi)容推薦算法。

構(gòu)建語(yǔ)音識(shí)別模型，提升方言識(shí)別率

雖然已經(jīng)有不少巨頭針對(duì)算法偏見提出了解決方案，比如微軟、IBM、Facebook、高通和埃森哲等已經(jīng)開發(fā)出了自動(dòng)化工具，用于檢測(cè)AI算法中的偏見，但很少有企業(yè)針對(duì)語(yǔ)音識(shí)別技術(shù)面臨的口音問(wèn)題提出具體的解決方案。對(duì)此，Speechmatics和Nuance成為了少數(shù)者之一。

Speechmetrics是一家專門從事企業(yè)語(yǔ)音識(shí)別軟件的劍橋科技公司，12年前就開始展開一項(xiàng)雄心勃勃的計(jì)劃，旨在開發(fā)比市場(chǎng)上任何產(chǎn)品都更準(zhǔn)確，更全面的語(yǔ)言包。據(jù)了解，研究之初，該公司的主要工作是統(tǒng)計(jì)語(yǔ)言建模和循環(huán)神經(jīng)網(wǎng)絡(luò)，并以此開發(fā)出了一種可以處理內(nèi)存輸出序列的機(jī)器學(xué)習(xí)模型。

2014年，Speechmetrics通過(guò)一個(gè)10億字節(jié)的語(yǔ)料庫(kù)加速了其統(tǒng)計(jì)語(yǔ)言建模的進(jìn)展，到2017年與卡塔爾計(jì)算研究所（QCRI）合作開發(fā)阿拉伯語(yǔ)言的文字轉(zhuǎn)換服務(wù)，可以說(shuō)，這是該公司取得的一個(gè)里程碑式的進(jìn)展。

而到了今年7月，該公司再次有所突破——成功研發(fā)了一款語(yǔ)音識(shí)別系統(tǒng)Global English，包括了全球40多個(gè)國(guó)家的數(shù)千小時(shí)的語(yǔ)音數(shù)據(jù)和數(shù)百億單詞，可支持“所有主要”英語(yǔ)口音的語(yǔ)音文本轉(zhuǎn)換。另外，這個(gè)系統(tǒng)是建立在Speechmatic的Automatic Linguist的基礎(chǔ)上，這是一個(gè)AI框架，通過(guò)利用已知語(yǔ)言中識(shí)別的模式來(lái)學(xué)習(xí)新語(yǔ)言的語(yǔ)言基礎(chǔ)。

而在特定的口音測(cè)試中，Global English的表現(xiàn)要優(yōu)于谷歌的Cloud Speech API以及IBM Cloud中的英語(yǔ)語(yǔ)言包中。Speechmatic聲稱，在高端領(lǐng)域，該系統(tǒng)的準(zhǔn)確率比其他產(chǎn)品還要高23％到55％。

但Speechmatics并不是唯一一家想要解決口音識(shí)別問(wèn)題的公司。

總部位于馬薩諸塞州的Nuance表示，該公司正在采用多種方法確保其語(yǔ)音識(shí)別模型能夠以同樣的準(zhǔn)確率來(lái)識(shí)別大約80種語(yǔ)言。

舉個(gè)例子，在其英語(yǔ)語(yǔ)音識(shí)別模型中，該公司收集了20個(gè)特定方言區(qū)域的語(yǔ)音和文本數(shù)據(jù)，包括每種方言的特有單詞及其發(fā)音。因此，Nuance的語(yǔ)音識(shí)別系統(tǒng)可以識(shí)別出單詞“Heathrow”的52種不同變體。

最近Nuance的語(yǔ)音識(shí)別系統(tǒng)也有了很大的提升。較新版本的Dragon是該公司發(fā)布的定制語(yǔ)音到文本軟件套件，所使用的機(jī)器學(xué)習(xí)模型，可根據(jù)用戶的口音在幾種不同的方言模型之間自動(dòng)切換。另外，與沒有自動(dòng)切換功能的舊版本相比，新版對(duì)帶有西班牙口音的英語(yǔ)識(shí)別的準(zhǔn)確率要高22．5％，對(duì)于美國(guó)南部的方言來(lái)說(shuō)，準(zhǔn)確率要高16．5％，對(duì)于東南亞的英語(yǔ)口音的準(zhǔn)確率要高17．4％。

事實(shí)上，研究人員很早之前就發(fā)現(xiàn)了語(yǔ)音識(shí)別面臨的口音問(wèn)題。對(duì)此，語(yǔ)言學(xué)家和AI工程師紛紛表示，非本地語(yǔ)言通常是很難進(jìn)行訓(xùn)練的，因?yàn)檎Z(yǔ)言之間的模式要一多種不同的方式進(jìn)行切換。同時(shí)，語(yǔ)境也很重要，即使是細(xì)微差別也會(huì)改變對(duì)話雙方的反應(yīng)。但可以肯定的是，缺乏多樣性的語(yǔ)音數(shù)據(jù)最終可能會(huì)無(wú)意中導(dǎo)致“地域歧視”的發(fā)生。也就是說(shuō)，語(yǔ)料庫(kù)中語(yǔ)音樣本的數(shù)量和多樣性越高，得到的模型就越準(zhǔn)確——至少在理論上是這樣。

當(dāng)然，這也不僅僅是美國(guó)企業(yè)需要解決的問(wèn)題。百度硅谷辦事處的高級(jí)研究員Gregory Diamos曾說(shuō)，該公司面臨著自己的挑戰(zhàn)，即開發(fā)一款可以理解許多中國(guó)地方方言的人工智能。此外，很多工程師也表示，口音對(duì)于致力于開發(fā)那種不僅可以回答問(wèn)題，還能隨意進(jìn)行自然對(duì)話的軟件公司來(lái)說(shuō)，是最嚴(yán)峻的挑戰(zhàn)之一。

今年5月，谷歌推出了一款名為Duplex的系統(tǒng)，可以以逼真的語(yǔ)音語(yǔ)調(diào)打電話完成餐廳預(yù)訂，整個(gè)過(guò)程是“語(yǔ)音不流暢”的，因?yàn)橹虚g會(huì)夾雜“嗯”、“呃”等語(yǔ)氣詞。在一定程度上，這樣的技術(shù)讓人有這樣的感覺：這個(gè)機(jī)器在傾聽我的話語(yǔ)。有用戶表示，自己好像被困在了一個(gè)灰色地帶，雖然可以被理解，但又好像與機(jī)器人格格不入。

根據(jù)市場(chǎng)研究公司Canalys的數(shù)據(jù)，到2019年會(huì)有近1億臺(tái)智能音箱在全球銷售，而到2022年，約55％的美國(guó)家庭會(huì)擁有一個(gè)智能語(yǔ)音系統(tǒng)。在小智君（ID：Aiobservation）看來(lái)，通過(guò)大量聲音數(shù)據(jù)及其語(yǔ)音模式的學(xué)習(xí)，理解不同單詞、短語(yǔ)和聲音之間形成的清晰聯(lián)系，人工智能便可以更加了解不同的口音，提高識(shí)別能力。

但也不要期待“銀彈”的出現(xiàn)，畢竟按照現(xiàn)在技術(shù)的發(fā)展，我們不能期待很快就能研發(fā)出一個(gè)準(zhǔn)確率極高卻又可以適用于所有用戶語(yǔ)言的語(yǔ)音識(shí)別系統(tǒng)。如今，能滿足正在使用的用戶的口音需求，便足矣。

文 ｜ 人工智能觀察