（文章來(lái)源：最極客）
? ? ?? 語(yǔ)音識(shí)別技術(shù)，也被稱為自動(dòng)語(yǔ)音識(shí)別（ASR）。其目標(biāo)是將人類語(yǔ)音中的詞匯內(nèi)容轉(zhuǎn)換為計(jì)算機(jī)可讀的數(shù)據(jù)，如字符序列或二進(jìn)制編碼等。不過(guò)，早在計(jì)算機(jī)發(fā)明之前，人類就已經(jīng)開(kāi)始了對(duì)語(yǔ)音識(shí)別技術(shù)的研究，早期的聲碼器即可看作是語(yǔ)音識(shí)別及合成的雛形。1920年代生產(chǎn)的“Radio Rex”玩具狗可能是最早的語(yǔ)音識(shí)別器。只要呼喚這只狗的名字，他就會(huì)從底座上彈出來(lái)。

1952年，貝爾研究所的Davis等人開(kāi)發(fā)了Audrey語(yǔ)音識(shí)別系統(tǒng)，成為世界上首個(gè)能夠識(shí)別10個(gè)英文數(shù)字發(fā)音的實(shí)驗(yàn)系統(tǒng)。其識(shí)別方法主要是追蹤語(yǔ)音中的共振峰，該系統(tǒng)的準(zhǔn)確率為98%。到1950年代末，College of London（倫敦學(xué)院）將語(yǔ)法概率加入語(yǔ)音識(shí)別中。

1960年，英國(guó)的Denes等人研究成功了第一個(gè)計(jì)算機(jī)語(yǔ)音識(shí)別系統(tǒng)，同時(shí)人工神經(jīng)網(wǎng)絡(luò)被引入語(yǔ)音識(shí)別。70年代后，語(yǔ)音識(shí)別在孤立詞及小詞匯量的識(shí)別方面取得了實(shí)質(zhì)性進(jìn)展。到了80年代，研究重點(diǎn)轉(zhuǎn)向大詞匯量、非特定人連續(xù)語(yǔ)音識(shí)別。與此同時(shí)，語(yǔ)音識(shí)別的研究思路由傳統(tǒng)的基于標(biāo)準(zhǔn)模板匹配的技術(shù)轉(zhuǎn)為基于HMM（統(tǒng)計(jì)模型）的技術(shù)，并再次提出將神經(jīng)網(wǎng)絡(luò)技術(shù)引入語(yǔ)音識(shí)別領(lǐng)域的技術(shù)思路。

1981年，日本在第五代計(jì)算機(jī)計(jì)劃中提出了關(guān)于語(yǔ)音識(shí)別輸入-輸出自然語(yǔ)言的目標(biāo)。盡管沒(méi)有按照預(yù)期實(shí)現(xiàn)，但關(guān)于語(yǔ)音識(shí)別技術(shù)的研究有了大幅度的提升和進(jìn)展。1987年開(kāi)始，日本又出臺(tái)了高級(jí)人機(jī)口語(yǔ)接口和自動(dòng)電話翻譯系統(tǒng)的項(xiàng)目。進(jìn)入90年代以后，在語(yǔ)音識(shí)別的系統(tǒng)框架方面并沒(méi)有什么重大突破。但是，在語(yǔ)音識(shí)別技術(shù)的應(yīng)用及產(chǎn)品化方面出現(xiàn)了很大的進(jìn)展。

中國(guó)的語(yǔ)音識(shí)別發(fā)展研究起始于1958年，由中國(guó)科學(xué)院聲學(xué)所利用電子管電路識(shí)別10個(gè)元音。1973年，中國(guó)科學(xué)院聲學(xué)所開(kāi)始了對(duì)計(jì)算機(jī)語(yǔ)音識(shí)別的研究。由于當(dāng)時(shí)被條件所限，中國(guó)語(yǔ)音識(shí)別研究工作一直處于緩慢發(fā)展的狀態(tài)。

1986年3月，中國(guó)高科技發(fā)展計(jì)劃（863計(jì)劃）啟動(dòng)，因?yàn)檎Z(yǔ)音識(shí)別是智能計(jì)算機(jī)系統(tǒng)研究的一個(gè)重要組成部分，故而被專門(mén)列為研究課題。在863計(jì)劃的支撐下，中國(guó)開(kāi)始了有組織的語(yǔ)音識(shí)別技術(shù)的研究。由此，中國(guó)語(yǔ)音識(shí)別技術(shù)進(jìn)入了一個(gè)前所未有的發(fā)展階段。

2006年深度學(xué)習(xí)興起，2009年深度學(xué)習(xí)首次在語(yǔ)音識(shí)別任務(wù)中取得成功，基于深度學(xué)習(xí)的語(yǔ)音識(shí)別取得了很大的突破。在技術(shù)方面，語(yǔ)音識(shí)別從最初的前饋全連接神經(jīng)網(wǎng)絡(luò)，到之后的遞歸神經(jīng)網(wǎng)絡(luò)，到長(zhǎng)短時(shí)記憶模型，再到當(dāng)前包含數(shù)十層結(jié)構(gòu)的深層全卷積神經(jīng)網(wǎng)絡(luò)。網(wǎng)絡(luò)結(jié)構(gòu)愈加復(fù)雜，但也越來(lái)越能夠契合語(yǔ)音的特性從而實(shí)現(xiàn)建模，相應(yīng)的效果也愈發(fā)顯著。

當(dāng)下，基于深度學(xué)習(xí)的語(yǔ)音識(shí)別系統(tǒng)已經(jīng)通過(guò)海量的用戶大數(shù)據(jù)訓(xùn)練得到了一個(gè)通用的識(shí)別系統(tǒng)，在日常場(chǎng)合已經(jīng)能夠?qū)崿F(xiàn)應(yīng)用。技術(shù)的成熟以及廣闊的前景使得許多互聯(lián)網(wǎng)公司也紛紛入局語(yǔ)音識(shí)別領(lǐng)域。

去年12月，阿里巴巴宣布為上海全部地鐵站的售票機(jī)安裝語(yǔ)音識(shí)別技術(shù)，用以驗(yàn)證上班族的身份?？拼笥嶏w也在安徽為醫(yī)療信息提供語(yǔ)音簽名服務(wù)，同時(shí)為警方提供語(yǔ)音識(shí)別服務(wù)。此外，百度、騰訊也分別在語(yǔ)音識(shí)別領(lǐng)域有所動(dòng)作。由此可見(jiàn)，語(yǔ)音識(shí)別技術(shù)很可能成為繼人臉識(shí)別技術(shù)后的下一個(gè)生物識(shí)別的主流方式，并逐漸受到廣泛的關(guān)注和消費(fèi)級(jí)的應(yīng)用。但在發(fā)展過(guò)程中，仍然不可避免地會(huì)遭遇一些瓶頸。