長“耳朵”和“嘴巴”的聲控技術(shù)

雷輝志

某天，日本一艘新型自動化遠(yuǎn)洋貨輪正駛向澳大利亞。這艘貨輪的船長隨身佩戴一只無線話筒，在船上的任何地方，他只要對著話筒發(fā)出操縱貨輪航行的口令，船上的主控電腦就能接收并予以識別。這艘貨船采用的是一項自動化新技術(shù)——聲控技術(shù)。這項技術(shù)隨著電腦技術(shù)、微電子技術(shù)的日新月異，近年的發(fā)展突飛猛進(jìn)。

國際電子產(chǎn)品市場上，不斷涌現(xiàn)出能“聽”會“說”的新產(chǎn)品，它們也采用了聲控技術(shù)。這些新產(chǎn)品是怎么長出“耳朵”和“嘴巴”的？

聲控技術(shù)的關(guān)鍵是要讓機(jī)器聽懂人的口令。語言是一種波形變化多端的聲波。科學(xué)家利用一種叫“語圖儀”的儀器分析語言的動態(tài)頻譜發(fā)現(xiàn)，每個語音的語圖都由幾條帶子組成，語音不同，帶子的形狀也不同。但只要說的是同一字音，這幾條帶子的形狀就基本一致。也就是說，每個語音中都含有某種不變的成分，該成分是決定人的聽覺感受的核心因素，語言學(xué)家將其稱為人們發(fā)出這個音時口腔共鳴的特征頻率。

于是有人設(shè)想，如果制造一種機(jī)器“耳朵”，里面存有每個語音的特征頻率的樣板，當(dāng)這只“耳朵”把所聽到的人的口令分解成不同的語音，與所存的樣板比較核對，再將結(jié)果傳輸給與之相連的自動控制電路，不就可以讓機(jī)器按照人的口令完成各種動作了嗎？

道理雖然簡單，實際操作起來可不容易，因為其中包含了復(fù)雜的數(shù)學(xué)運算過程以及技術(shù)上的難題。電腦的問世為制造這樣的機(jī)器“耳朵”打開了通道。從20世紀(jì)60年代起，科學(xué)家開始在試驗室里研究聲控技術(shù)的核心——語言識別技術(shù)。

20世紀(jì)70年代以來，價格低廉、體積小巧的微電腦處理器為聲控技術(shù)走出實驗室創(chuàng)造了必要的條件，開始了聲控技術(shù)實際應(yīng)用的新階段。

聲控技術(shù)最開始被廣泛應(yīng)用于消費類電子產(chǎn)品上。20世紀(jì)70年代中期，美國出現(xiàn)了一種叫“小先生”的電子玩具，它能向兒童提出簡單的算術(shù)問題，兒童用語音回答。如果答對，屏幕上便出現(xiàn)“yes”的字樣，同時發(fā)出贊許聲；如果答錯，屏幕上則出現(xiàn)“no”，并繼續(xù)提問。

隨后，出現(xiàn)了豐富多彩的具有聲控功能的電子產(chǎn)品：聲控電視機(jī)能根據(jù)坐在室內(nèi)的人發(fā)出的口令自動開關(guān)、選擇電視頻道、調(diào)節(jié)亮度與色度。聲控打字機(jī)會按照人的口授，自動打字、斷句、起行，還能自動閱讀，人們可用聽的方法校核。聲控翻譯器能把口述的簡單日語句子譯成英語，不僅能顯示在屏幕上，還能用英語朗讀。聲控電梯可免除舉手按電鈕之勞，按照人的口令上上下下、開門關(guān)門。

最近，英國出現(xiàn)了為喪失生活自理能力的人而設(shè)計的聲控房間，室內(nèi)一切器具都可由主人發(fā)出口令而自動使用。這種聲控裝置只有32開的書本大小，人們對著它發(fā)出指令后，它能自動控制開關(guān)門窗、電視機(jī)等。這種聲控器只能識別主人的指令，所以不必?fù)?dān)心有人“越俎代庖”。

聲控技術(shù)還在國外某些通訊、交通、情報等部門得到實際應(yīng)用。例如聲控自動預(yù)定車品、機(jī)票，行李的聲控分揀，聲控查閱文獻(xiàn)資料，聲控機(jī)械手或機(jī)器人等。目前，這些聲控裝置按照其識別語言的狀況大致分為限定單詞和非限定單詞的語音識別。

限定單詞的語音識別聲控裝置只能聽懂規(guī)定范圍內(nèi)的單詞口令，一般大約只有幾百個。非限定單詞的語音識別聲控裝置能聽懂的單詞數(shù)量約為幾千個，還能識別句子。

機(jī)器裝置發(fā)展的新趨勢是為機(jī)器增加“說”的功能，這種人造的電子嘴巴就是語言合成器。微電子技術(shù)的迅猛發(fā)展已經(jīng)可以把這種復(fù)雜的裝置制造成大規(guī)模集成電路塊，推廣普及應(yīng)用在各種聲控裝置中。

機(jī)器模仿人的聲音發(fā)出合成語言的道理恰恰是語言識別過程的逆轉(zhuǎn)。把合成語言頻帶的一系列不同頻率的振蕩電壓按語圖的形狀組合，再經(jīng)過揚(yáng)聲器播放，這就是語言合成器的工作過程。

早在1939年，美國紐約世界博覽會上就曾展出過一臺形如鋼琴的大型儀器，它能模擬人講話。如今，語言合成器日臻完善與成熟，體積日趨縮小，有的甚至可以濃縮在拇指大小的集成電路塊上。

機(jī)器合成語言的方法通常有三種。

1.波形譯碼法。這種方法效果最好，它通過用極高的頻率連續(xù)測定每個音節(jié)的聲波波形，將測定結(jié)果變?yōu)槎M(jìn)位數(shù)碼輸入電腦中。使用時將數(shù)碼取出，經(jīng)過適當(dāng)組合，轉(zhuǎn)換為電信號發(fā)聲。它的缺點是單位時間內(nèi)要處理的信息量太大，約每秒5萬個數(shù)碼，只有大型的高級電腦才能勝任。

2.音素合成法。它將語音信息壓縮到每秒100個數(shù)碼，把聲母音索提取出來，按順序排列，配以音調(diào)發(fā)生器與濾波器，可發(fā)出緩慢的勉強(qiáng)可懂的人工合成語言，所需設(shè)備的價格較低，可在要求不高的場合使用。

3.線性預(yù)測編碼法。這是當(dāng)前比較流行的一種方法，它是在音素合成法的基礎(chǔ)上進(jìn)一步完善而成。

語言合成器除了作為聲控裝置的一部分得到應(yīng)用外，還正在被制成從文字轉(zhuǎn)換為語音的裝置，如已有專供盲人讀書看報的閱讀機(jī)問世。

聲控技術(shù)展現(xiàn)著自動化技術(shù)的美好未來。最近，在美國新奧爾良市舉行的一次電腦展覽會上，出現(xiàn)了用日常口語直接向電腦提問的新式程序，不必用鍵盤打出復(fù)雜的術(shù)語或指令。

這項突破實際上表明了聲控技術(shù)的重大的意義——改變了目前人們使用電腦的傳統(tǒng)方式。電腦固然可以代替人類的部分腦力勞動，但它要求人們必須為其編好程序才能動起來。所以，編程是人們掌握電腦的最大障礙，也是電腦軟件價格超出硬件價格的原因。

假若聲控技術(shù)逐步完善，有可能在將來免除由人工編程的繁瑣過程，而讓電腦按照人的口令自行編程。這個美好的幻想已經(jīng)見諸于實踐，美、日等國正在大力研制的第五代人工智能電腦就將具有這種神奇的新功能。

聲控自動化技術(shù)是一門不盡完善的新興技術(shù)，但可以肯定，人類與機(jī)器娓娓而談的美妙圖景絕不是虛無縹緲的夢想。