聲控自動化技術，讓你動口不動手

雷輝志

一艘由日本制造的新型自動化遠洋貨輪，正行駛在前往澳大利亞的航線上。這艘貨輪的外形并不特別，但它卻有著過人之處——貨輪的船長隨身攜帶著一只無線話筒，無論在船上的哪個區域，只要他對著話筒發出操縱貨輪航行的口令，船上的主控電腦就能接收信號并予以識別，然后由它發出相應的操作信號，自動操縱貨輪航行。

以上情景就是靠近年來最新聲控自動化技術實現的，這項技術隨著近年來電腦技術、微電子技術的不斷變革，正在突飛猛進。在國際電子產品市場上，不斷涌現出能“聽”會“說”的新產品，使用者只需動口就能輕松操控它們，它們甚至還能和使用者溝通交流。那么究竟這些新產品是怎么長出“耳朵”和“嘴巴”的呢？

機器的“耳朵”

——語言識別器

聲控技術的關鍵是要讓機器能夠聽懂人的口令，這是一個非常復雜的過程，要想了解其中的奧秘，首先得談談人類的語言。

語言是一種波形復雜、變化多端的聲波。科學家利用一種叫做語圖儀的專門儀器分析過人類語言的動態頻譜，結果發現，每個語音的語圖都是由幾條“帶子”組成的。當然，語音不同，“帶子”的形狀也不同。但只要說的是同一個字音，那么不管是誰發聲，這幾條“帶子”的形狀都會基本一致。也就是說，每個語音中都含有某種不變的特質，而這個特質就是人的聽覺將會感受到的核心因素，語言學家把它稱為口腔共鳴的特征頻率。

這些特征頻率為科學家研發聲控技術提供了便利——如果能夠制造一種機器“耳朵”，并在其中嵌入每個語音的特征頻率的“樣板”，那么當這只“耳朵”聽到人類的口令后，不就能將其分解成不同的語音，再同存儲的“樣板”進行比較核對，隨后借助自動控制電路，最終實現按照口令完成各種動作了嗎？

道理雖然簡單，實際開發卻并不容易，科研人員需要解決復雜的數學運算過程，同時克服一系列技術上的難題。

隨著科學技術的進步，電腦的問世讓人類制造這樣的機器“耳朵”成為可能。20世紀60年代，科學家開始在實驗室里研究聲控技術的核心——語言識別技術。20世紀70年代末，微電腦的出現更是讓聲控技術實現了飛躍式發展——微電腦處理與存貯信息的神奇功能，以及它低廉的價格、小巧的體積，為聲控技術走出實驗室創造了必要條件，人們由此開啟了實際應用聲控技術的新時期。

產品的更新換代

20世紀70年代中期，美國出現了一種叫做“小先生”的電子玩具，它能向兒童提出簡單的算術題和拼讀英文單詞題，而兒童則可以用說話來回答。如果回答正確，屏幕上就會出現“Yes”的字樣，同時發出贊許聲;如果回答錯誤，屏幕上則會出現“No”，同時繼續提問。這種有趣的幼兒學習工具一經推出，便大受歡迎。

隨后，豐富多彩的具有聲控功能的電子產品開始不斷問世：聲控電視機能根據使用者發出的口令，自動開關、選擇電視頻道、調節亮度與色度;聲控打字機會按照人的口授，自動打字、斷句、起行，還能自動閱讀，讓使用者方便校核;聲控翻譯器能把口述的簡單語句，進行自動翻譯，并將最終結果顯示在屏幕上;聲控電梯則可以讓殘障人士盡享便利，輕松操控電梯上下、開關……

如今，聲控技術已經更加廣泛地應用于各類電子產品上。

比如蘋果手機用戶非常熟悉的Siri，就是一種智能語音控制系統，它不僅可以支持自然語言輸入，還可以調用系統自帶的天氣預報、日程安排、搜索資料等應用，更能夠不斷學習新的聲音和語調，提供對話式的應答。

最近，在英國還出現了專門為喪失生活自理能力人士設計的聲控房間，室內的一切器具都可以通過主人發令而自動運行。房間內的聲控裝置只有一本筆記本大小，而且只能識別主人的指令，殘障人士可以通過它輕松地開關門窗、啟動家電。

在國外某些重要的通訊、交通或情報部門，聲控技術還得到了更為實際的應用——自動預定車輛、分揀行李、查閱文獻資料等等，不一而足。

目前，這些聲控裝置按照其識別語言的狀況大致分為兩類：一類是限定單詞的語音識別聲控裝置，另一類則是非限定單詞的語音識別聲控裝置。第一類裝置只能“聽”懂規定范圍內的單詞口令，一般只有幾百個，識別率在90%以上。第二類裝置能夠“聽”懂的單詞數量在幾千個左右，還可以識別復雜的語句，其中的技術自然也比第一類裝置更先進。

讓機器說話

——語言合成器

時至今日，能夠“聽”懂人類語言的機器已經不是什么新玩意兒了，現在機器裝置的發展新趨勢是借助“電子嘴巴”為機器增加“說”的功能，而“電子嘴巴”就是語言合成器。微電子技術的迅猛發展，已經可以把這種復雜的裝置制造成微小的大規模集成電路，推廣普及應用到各種聲控裝置中。

機器能夠模仿人聲發出合成語言的道理，恰恰是語言識別過程的逆轉。把合成語言頻帶的一系列不同頻率的振蕩電壓，按照語圖的形狀組合起來，再經過揚聲器放音，就是語言合成器的工作過程。

其實，這種人造語言技術遠比機器識別語言技術要成熟得多。早在1939年，在美國紐約世界博覽會上就曾展出過一臺形似鋼琴的大型儀器，它就能模擬人聲發音講話。這臺最早的人工語言合成裝置曾經轟動一時，但由于體積過于龐大，一直未能走向市場。如今，語言合成器日臻成熟完善，體積也不斷縮小，終于有機會來到你我身邊。

機器合成語言的方法通常有三種，其中效果最好、效率最高的就是波形譯碼法。這種方法是用極高的頻率連續測定每個音節的聲波波形，將測定結果變為二進位數碼輸入到電腦中，使用時只需將數碼取出并經過適當組合，就能轉換為電信號發出聲音。不過，這種方法每秒大約要處理5萬個碼，在單位時間內需要處理的信息量太大，因此只有超級計算機才能勝任。第二種方法是音素合成法，它能把語音信息壓縮到每秒100個數碼，同時將聲母音進行提取，按照順序排列，配以音調發生器與濾波器，發出緩慢的、勉強可懂的人工合成語言。但這種方法的準確度較低，只能在要求不高的場合使用。第三種方法是當前比較流行的線性預測編碼法，它是在音素合成法的基礎上進一步完善而成的。

語言合成器除了作為聲控裝置的一部分得到應用外，還被制成了文字語言轉換裝置，比如為盲人量身打造的、能夠“讀書看報”的閱讀機。

聲控技術已經在汽車上得到應用。

神奇的未來

最近，在美國新奧爾良市舉行的一次電腦展覽會上，出現了一款使用者能夠通過日常口語直接向電腦提問，或是操控電腦的新程序，人們不必再像以往那樣借助鍵盤或鼠標輸入各類指令——傳統使用電腦的方式發生了改變。

電腦固然可以代替人的部分腦力勞動，但是它要求人們必須為其編制好程序。所以，編制程序才是人們掌握電腦的最大障礙，這也是正版軟件價格可能超出電腦硬件價格的一個重要原因。假如聲控技術逐步完善，將來就有可能免除人工編制程序的繁瑣過程——電腦將會按照口令自行編制工作程序。事實上，這個美好的愿望很快就將實現，美國、日本和歐盟正在大力研發的第五代人工智能電腦，都將具有這類神奇功能。

目前來看，聲控自動化技術還算不上盡善盡美，但相信大家都有更美好的期待。如果要用一句詩詞來形容這項技術，那便是“此時無聲勝有聲”，不對，應該是“此時有聲勝無聲”！