语言，之所以重要，在于人类的思维能力是伴随着它的产生而迅速发展的，这也是人类在智能上区别于其他物种的原因。语音识别，作为人工智能应用的一个场景，也是研究者们一直试图解决的问题。

　　今年10月底，微软宣布语音识别实现了历史性突破，词错率仅 5.9%，英语的语音转录达到专业速录员水平，微软的此次突破是机器的识别能力在英语水平上第一次超越人类。微软的这条消息发布之后在业内引起了极大的关注。语音识别一直是国内外许多科技公司重点发展的技术之一，百度首席科学家吴恩达就发推特恭贺微软在英语语音识别上的突破，同时也回忆起一年前百度在汉语语音识别上的突破，其Deep Speech 2 的短语识别的词错率已经降到了3.7%，Deep Speech 2 转录某些语音的能力基本上是超人级的，能够比普通话母语者更精确地转录较短的查询。

　　梦想从贝尔实验室开始

　　不久前，麻省理工学院(MIT)主办的知名科技期刊《麻省理工科技评论》(MIT Technology Review)，评选出了“2016年十大突破技术”。《麻省理工科技评论》称，在过去的一年里，这十项技术均已到达一个里程碑式的阶段或即将到达这一阶段。而语音识别的突破就是其中的第三项。

　　回顾人类发展史，不难看出，随着人的不断进化，从最初通过手掌、肢体使用简单工具、传递简单信息，发展到控制发声并通过耳朵接收，形成了一个以语音为载体的快速信息传递通道和收发闭环，成为人类间最自然、最重要的信息交互手段。声波作为一种音频信号，和视频信号、无线电信号一样是，非接触方式的传播，也是人类唯一可以不借助工具就可自由掌控的一种天然“无线”资源。而且声波对接收指向性的要求更宽松，这个非常宝贵的特性会在很多场景下带来极大便利。特别是对于一些在视觉、触觉等方面存在障碍(如老年人、弱视、残障人士)或不适合(如儿童需要保护视力)的庞大特定人群，语音更是最佳的交互选择。

　　1946年，现代电子计算机出现后，计算机在很多事情上做得比人还好，既然如此，机器能不能懂得自然语言呢？与机器进行语音交流，让它听明白你在说什么，语音识别技术是计算机一出现，人类就开始憧憬的一大梦想。

　　最早提出机器智能概念的是计算机科学之父阿兰·图灵，1950年他在《思想》（Mind）杂志上发表了一篇题为“计算的机器和智能”的论文。在论文中，图灵并没有提出什么研究方法，而是提出了一种验证机器是否有智能的方法：让人和机器进行交流，如果人无法判断自己交流的对象是人还是机器，就说明这个机器有智能了。这种方法被后人称作图灵测试。图灵其实是留下了一个问题，而非答案，但是一般认为对自然语言的机器处理可以追溯到那个时候。

　　科学家认为语音识别就好比“机器的听觉系统”，该技术可以让机器通过识别和理解，把语音信号转变为相应的文本或命令。1952年，贝尔研究所，Davis等人研制了世界上第一个能识别10个英文数字发音的实验系统。1960年，英国的Denes等人研制了第一个计算机语音识别系统。

　　事实上，语音识别60多年的发展过程可以分成多个阶段。早期的20多年，即从20世纪50年代到70年代，是科学家们走弯路的阶段，全世界的科学家对计算机完成语音识别这类只有人才能做的事情，认为必须先让计算机理解自然语言，这就局限在人类学习语言的方式上了，也就是用电脑模拟人脑，这20多年的研究成果近乎为零。

　　贾里尼克的贡献

　　直到1970年后，统计语言学的出现才使语音识别重获新生，并取得了今天的飞凡成就。推动这个技术路线转变的关键人物是德里克·贾里尼克（Frederick Jelinek）和他领导的IBM华生实验室（T.J.Watson），开始使用统计方法。采用统计的方法，IBM将当时的语音识别率从70%提升到90%，同时语音识别的规模从几百单词上升到几万单词，这样语音识别就有了从实验室走向实际应用的可能。