剑桥语音的黄金十年

      1984年，美国国家标准及技术研究所（NIST）和DARPA决定出资开展语音识别评测标准的研究，希望能科学评估各种语音识别系统的性能。这件事影响了语音识别历史。

      德州仪器公司（TI）、麻省理工学院（MIT）和SRI合作构建了第一个声学-音素连续语音语料库，并制定了数据采集标准，成为世界第一个语音评测平台。这一被称为TIMIT的数据库应用至今，语音识别研究者们有了评测算法的标准数据集。NIST举办的语音识别评测全球竞赛由此开始。

      语音识别所研究的数据类型历经几次升级，由最早的孤立词语音发展到自然连续语音。然后，选取朗读“华尔街杂志”（Wall Street Journal）的语音录成标准数据库。这个数据集的词汇量大约为5000到20 000， “大词汇连续语音识别”就始于此。上世纪90年代中期以后，广播新闻这样自发产生的连续语音、电话对话语音、丰富的语音文本、多语种语音等等也不断加入评测，NIST大赛越来越具有挑战性。

    大赛1988年开始，1992年扩大到美国之外，成为全球大赛，剑桥大学等非美国机构，在那一年加入。1993年，剑桥大学夺取冠军。一战成名，剑桥语音成为全球语音识别界关注的焦点。

      从1989年起，剑桥大学工程系机器智能实验室研究组就在史蒂夫·杨（Steve Young）教授的主持下开发 “隐马尔可夫模型工具包”（Hidden markov model Tool Kit, HTK）。HTK软件包不是简单的语音识别系统，而是完整的研究平台。在这平台上，研究者可以方便地试验各种新式算法，搭建不同的语音识别系统。这样，HTK很快就成为了语音识别研究事实上的标准。而拥有平台的剑桥语音研究人员，近水楼台先得月。

      于是，剑桥大学语音识别研究在大赛中连续十年取得优异成绩，许多影响深远的语音识别技术陆续在剑桥产生，并成为后来主流经典算法，这些成就轰动了全世界，被称为剑桥语音的黄金十年。

踏上商业化征程

      语音识别也逐渐开始商业化。1995年，IBM开发出离散词汇听写软件，也就是后来的语音识别软件Via Voice的前身。IBM当时将语音识别率从70%提升到90%，同时识别词库的规模从几百单词上升到几万个，语音识别从实验室走向实际应用。1997年，IBM推出了世界上第一个中文连续语音识别产品——Via Voice 4.0。该软件成功突破连续语音、大词汇量、非特定人的难关，据称解决了汉语同音字多、有声调、口音复杂等问题，可以帮助人们从键盘输入中解脱出来，IBM认为这是汉字输入的重要里程碑。

      不过，中文版的Via Voice4.0刚推出，我就满怀希望地试用了这个软件，但感到很失望，远没有达到解放双手的愿望，使人感到实用的语音识别系统还在路上。当时，我并不知道，语音识别的大师们在此几年前已经纷纷离开了IBM。

      剑桥大学的HTK语音开发平台也开始商业化，被微软收购。后来微软重新把HTK核心技术的使用权送还给剑桥大学。

      语音识别专家、数据魔方智慧科技CEO张晴晴博士这样描述当时的情况：“深度学习之前，做语音识别门槛是很高的。语音识别涉及到信号处理、语音\语言建模、发音字典、解码、后处理等等，每个模块都足够一个博士研究好几年。”

      在这样的研究环境下，掌握核心算法的公司很容易形成技术垄断。1992年创立的美国语音巨头Nuance，2005年在纳斯达克上市，一直深耕统计方法的语音技术，拥有大量的核心算法和数千件专利。苹果Siri采用了他们的语音技术后，Nuance公司在语音识别方面的技术实力也浮出水面。手机、家电、汽车等人机语音交互产品中，大量嵌入他们的语音识别系统，客户都是苹果、三星这样的知名厂商。

      Nuance擅长于利用自己在语音处理方面的知识产权打击竞争对手。用诉讼手段削弱具有创新力的对手，然后低价并购或让其破产。很长时间内，Nuance拥有绝对话语权，整个语音行业生态是——这棵大树下寸草不生。