在苹果近期举办的 全球开发者大会上，其中一项重点是为其个人助理应用 Siri 增添智能语音识别功能，作为其最新移动操作系统 iOS 9更新的一部分。
现在，你无需再对 Siri 说“明天提醒我凯文的生日”，而是可以在查看 Facebook 上的生日活动时，依靠上下文直接对 Siri 说“提醒我这个”。它会知道你的意思。
谷歌设备也早已具备类似技术——这要归功于 OK Google ——让我们离具备上下文感知能力的语音识别又近了一步。
但这一切是如何运作的？上下文为何如此重要？它又与语音识别有什么关系？
要回答这个问题，不妨回顾一下语音识别的工作原理，以及它与另一重要领域——自然语言处理——的关系。
语音识别简史
长期以来，语音识别一直备受公众关注。比起敲击键盘，用自然语言与计算机交谈，并让它理解你说的一切，岂不是更好吗？
自从 20 世纪 60 年代《星际迷航》原版剧集中柯克船长与 USS Enterprise 飞船上的计算机交谈以来（以及后来某部原版系列电影中，史考特 试图与一台 20 世纪的计算机交谈却失败 ），我们就一直梦想着这类技术能够实现。
即使是以较近年代为背景的电影，也曾试探性地设想过更先进的语音识别技术。以科技为主题的 1992 年电影 《通天神偷》 中，罗伯特·雷德福费力地收集一位高管的语音片段，再用录音机将其播放给计算机，以获取系统的语音访问权限。
然而，科幻作品中看似简单的描绘，掩盖了语音识别技术背后复杂的过程。计算机要理解你的意思，首先必须能够听懂你说了什么。
这涉及一个复杂的过程，包括音频采样、特征提取，随后才是实际的语音识别：识别单个声音并将其转换为文本。
研究人员多年来一直在开发这项技术。他们发明了能够以类似人耳的方式提取特征，并将其识别为音素和人类言语中发出的声音的技术。这一过程会用到 人工神经网络、 隐马尔可夫模型 以及其他理念，它们都属于人工智能这一广阔领域。
借助这些模型，语音识别率有所提升。谷歌 今年报告称 ，错误率已低于 8%。
但即便取得这些进步，听觉识别也只完成了一半。计算机完成这一过程后，手中只有一份复现你所说内容的文本。但你说的内容可能五花八门。
下一步是自然语言处理。
你明白大意了吗？
机器将你说的话转换成文本后，还必须理解你实际说了什么。这个过程称为“自然语言处理”。可以说，这比语音识别更难，因为人类语言充满了上下文和语义，使自然语言识别变得困难。
任何使用过早期语音识别系统的人都能证明这有多困难。早期系统的词汇量非常有限，而且你必须以恰当的方式说出命令，才能确保计算机理解。
这不仅适用于语音识别系统，也适用于文本输入系统：词语的顺序以及某些词语是否出现，都会极大影响系统处理命令的方式。这是因为早期的语言处理系统依靠硬性规则和决策树来解释命令，因此任何偏离这些命令的情况都会造成问题。
然而，较新的系统使用与语音识别中隐马尔可夫模型类似的机器学习算法来构建词汇库。这些系统仍需经过训练，但能够根据所用各个词语的权重作出较为灵活的判断。因此，查询方式可以有所变化，而查询内容保持不变。
因此，你既可以要求 Siri“安排一个上午 9 点的日历预约，去取干洗衣物”，也可以说“把上午 9 点去取干洗衣物记入我的日历”，并得到相同结果。
但要如何应对不同的声音呢？
尽管取得了这些进步，这一领域仍面临挑战。在语音识别方面，口音和发音仍可能造成问题。
由于系统的工作方式不同，音素发音的差异可能导致系统无法识别你说的话。尤其是当某个词中的音素（在非当地人听来）似乎与其发音毫无关联时，例如英国城市“Leicester”或“Glasgow”。
即使是“Melbourne”这样的澳大利亚城市名称，似乎也会让一些美国人读错。对澳大利亚人来说，Melbourne 的发音显而易见；但由于美国人使用音素的方式不同，他们常常会把它读错（在当地人的耳朵听来）。
听过 GPS 系统把 Ipswich 误读为“eyp-swich”的人都知道，反过来也会发生这种情况。唯一的解决办法是训练系统掌握单词的不同发音方式。但口音种类繁多（同一口音内部的发音也有差异），这会是一个规模不小且复杂的过程。
在语言处理方面，问题主要在于上下文。开篇的例子展示了上下文语言处理的先进水平。不过，只要留心听几分钟对话，就会发现我们会多么频繁地改变说话方式，为机器提供额外的上下文。
例如，你有多常问别人：
你收到我的电子邮件了吗？
但你真正想表达的是：
你收到我的电子邮件了吗？如果收到了，你读过了吗？能否请你针对这个问题给我回复？
当你想与机器展开对话时，事情会变得更加复杂：你先提出一个问题，再接着追问，例如先问“马丁的电话号码是多少？”，然后说“给他打电话”或“给他发短信”。
机器在理解上下文方面不断进步，但还有很长的路要走！
自动翻译
我们在许多不同领域取得了长足进步，才走到今天这一步。但在口音识别、语言含义和对话上下文方面，仍有挑战待克服。这意味着，我们或许还要等一段时间，才能拥有《星际迷航》中那种能解读我们所说一切的计算机。
不过请放心。我们正在逐渐接近这一目标。微软近期在 自动翻译 方面取得的进展表明，只要方法得当，成果可以非常酷。
谷歌近期公布了一项技术，它结合图像或语音识别、自然语言处理以及智能手机摄像头，能够为你自动将标牌和简短对话从一种语言翻译成另一种语言。它甚至会尝试匹配字体，让标牌看起来和原来一样，只不过文字变成了英文！
所以，你再也不用对着意大利语菜单琢磨，也不用发愁该如何向不会说英语的服务员点餐，谷歌都能帮你。虽然还不完全是 USS Enterprise，但确实更近了一步！
本文由 The Conversation合作发布。阅读 原文。本文的发表并不意味着世界经济论坛认可其中的观点。
订阅我们的每周通讯， 及时了解议程动态。
作者：Michael Cowling 是中央昆士兰大学移动计算与应用专业高级讲师兼学科负责人。
图片：英国 RoboThespian 公司的人形机器人在汉诺威科技展览会开幕式上“脸红”。路透社 / Wolfgang Rattay
