科技巨头们为什么如此渴求语音数据？

亚马逊Echo让人工智能家庭助理走进现实。使用过Echo内置的Alexa语音助理的用户都会被她的魅力所折服：“她”不仅能打专车，还能叫外卖，甚至可以完成高一的数学家庭作业。亚马逊甚至声称，每天有超过5000人对Alexa示爱。

但与此同时，Alexa的用户也都知道：除非你用缓慢的语速清晰地说出自己的指令，否则她很有可能对你说：“抱歉，我无法回答这个问题。”有一位用户在亚马逊网站上写道：“我实在是对她又爱又恨。” 但这位用户仍然给了Alexa五星好评。“你很快就会学会通过她能理解的方式与之沟通，就像跟刚会走路的孩子说话一样。”

语音识别在过去几年实现了巨大进步，但仍不足以让这项技术融入日常生活，开启人机互动的新时代，让我们与汽车、洗衣机、电视机等所有电子产品展开语音沟通。尽管语音识别已经取得了长足进步，但多数人仍会沿用手势操作和触摸界面。在可预见的未来，这种趋势恐怕难以改变。

障碍究竟何在？一定程度上源于这种技术背后的人工智能仍有改进空间。数据缺乏也同样也是一大问题——不同语言、不同口音、不同方言的语音数据尤其匮乏。倘若是在嘈杂的环境中，使用效果更是大打折扣。

谷歌智能家居中心Google Home

所以，亚马逊、苹果、微软和中国的百度都在世界范围内广泛收集海量的人类语音数据。微软已经在多地建设了专门的部门，录制志愿者在家居环境中的对话内容。亚马逊每个小时都会将Alexa收到的海量语音请求上传到庞大的数据库。百度也在中国各地收集方言数据。在此之后，他们都会利用这些数据教给电脑如何分析、理解、响应不同的语音指令和语音请求。

真正的挑战在于寻找一种方式来捕捉自然状态下的真实对话。百度加州桑尼韦尔人工实验室负责人亚当·科茨（Adam Coates）表示，就算是95%的准确率也不足以满足人们的需求。“我们的目标是将错误率降低到1%。”他说，“只有达到这种水平，我们才能相信机器能够理解我们的话。这将是革命性的。”

不久以前，语音识别还非常粗糙。在2006年的一次演示中，微软早期在Windows中配备的一项技术甚至把“mom”听成了“aunt”。当苹果五年前推出Siri时，这款个人助理同样因为无法返回正确答案或听不清问题而备受嘲笑。在被问及吉莉安·安德森（Gillian Anderson）是不是英国人时，Siri竟然给出了一份英国餐馆的列表。

微软现在表示，该公司的语音引擎错误率甚至可以媲美专业速录员。Siri也勉强获得了人们的尊重，Alexa更是让我们窥见了未来。

这种进步很大程度上归功于神经网络技术的发展，这是一种模拟人脑结构的人工智能技术. 神经网络无需明确的指令便可自学各种内容，但通常需要辅以庞大而多样的数据。语音识别引擎获得的数据越多，就越能理解不同的声音，也就更加接近在众多语言环境中实现自然对话的目标。

正因如此，科技巨头才争相在世界各地收集不同的语音数据。“我们的系统获得的数据越多，表现就越好。”百度首席科学家吴恩达说，“正因如此，语音识别才是一项资本密集型业务。没有多少组织拥有如此庞大的数据。”

高科技行业20世纪90年代开始重视语音识别技术时，微软等公司依靠的都是来自Linguistics Data Consortium等研究机构提供的公共数据——这个创立于1992年的语音和文本数据库获得了美国政府的支持，总部位于美国宾夕法尼亚大学。

后来，科技公司开始收集自己的语音数据，其中一些来自志愿者朗读的各种内容。现在，随着语音控制软件逐步受到人们欢迎，他们也通过自己的产品和服务收集了很多数据。

当你让自己的手机搜索信息、播放歌曲或导航路径时，这些内容很可能会被某家公司录制下来。当你向Alexa询问天气和最近的橄榄球赛比分时，她便会利用这些内容改进其自然语言理解能力（尽管在你叫她的名字之前，Alexa不会倾听你的对话。）“根据产品设计，你使用得越多，Alexa就越聪明。”Alexa资深首席科学家尼克·斯特罗姆（Nikko Strom）说。

亚马逊Echo智能音箱

其中的关键挑战是让这项技术熟悉不同的语言、口音和方言。这一点在中国体现得尤为明显。为了收集中国各地的方言数据，百度在今年春节期间启动的一项营销计划，推出了方言对话项目。该公司向用户承诺，如果他们为该项目作出贡献，今后便可使用自己的方言与百度展开互动。短短两周内，该公司就录制了超过1000小时的方言数据。很多人完全免费提供这些数据，因为他们都对自己的方言感到自豪。一位四川的高中教师对该项目十分热衷，他甚至让全班同学用四川话录制了1000多首古诗。

另外一大挑战是让语音识别技术在嘈杂的环境中识别语音指令——包括酒吧和体育场等人声鼎沸的环境。微软也在Xbox上部署了一款名为Voice Studio的应用，专门收集人们在玩游戏或看电影时的对话信息。为了吸引用户贡献自己在玩游戏过程中的对话内容，该公司为参与其中的用户提供了各种各样的奖励，包括点卡和游戏道具。该项目在巴西展开了大力推广，当地团队还在Xbox主页上着重推广这款应用。他们随后利用这些数据开发了巴西葡萄牙语版的Cortana语音助理，并于今年早些时候发布。

各路企业还在为特定的环境设计语音识别系统。微软一直在测试一项技术，以便在不受机场广播信息干扰的情况下回答旅行者的问题。该公司的技术还被用于麦当劳汽车穿梭餐厅的自动点餐系统。这套系统可以忽略嘈杂的汽车音响、孩子们的叫声和各种各样的口头语，从中提取出复杂的指令，甚至连调味品也不会错过。亚马逊也在汽车上展开测试，希望Alexa能够适应道路上的各种噪音。

在各大企业争相收集数据的过程中，他们也在努力改进技术，希望利用更少的数据实现更好的语音识别效果。微软首席语音科学家黄雪冬已经在该公司从事了20多年的语音识别技术开发工作，他表示，麦当劳正在测试的技术比其他系统更加精确，但使用的数据却更少。“即便数据量不是最大的，仍然可以实现技术突破。”

谷歌向来信仰“少即是多”的理念，因此该公司开发了一种技术，希望利用不知所云的声音来构建文字和短语。借助该公司的语音识别系统，他们希望通过一项改变来解决各种不同的问题。谷歌拼接了数万段时长仅有2至5秒的语音片段。该公司研究员弗朗索瓦兹·比伦法斯（Francoise Beaufays）表示，这一过程所需的计算资源更少，但却更容易测试和修改。

百度也在开发更加高效的算法，只需学习一种语言便可简化另外12种语言的学习难度。在学习只有数万人掌握的语种时，这种技术显得至关重要——因为很难针对这样的语言收集庞大的数据。

在被问及何时才能通过自然语言与数字助理交流，并得到满意的答案时，就连吴恩达这样的顶尖科学家也无法给出确切答案。即便是对最高水平的神经网络学家而言，这项技术仍然有很多谜团有待解开。有很多工作只能通过不断试错来改进，没有人敢保证某项技术调整可能产生什么样的后果。根据现有的技术和方法，这一过程大约要耗费数年时间。