《圣经》中记载着这样的传说，远古人类都讲一种语言，他们希望建造通往天堂的通天塔，也叫巴别塔（Tower of Babel）。为了阻止人类的计划，上帝让人类说不同语言，分成不同民族，j2直播，在语言上无法自由沟通，巴别塔计划由此告终。重建巴别塔，也成了人类语言沟通和共识达成的象征和代名词。现在，AI让人类的梦想一步步走向实现。

弗雷德里克·贾里尼克

　　历史的探索

让人类实现无障碍沟通，这项AI工程有三块重要基石：语音识别、自然语言理解、语音合成。三块基石是三大类技术，分别解决人类语言交流中三个问题：听清楚别人说什么、 理解别人说什么、根据听到和理解的去回答别人。

语音识别，主要解决“听清楚别人说什么” 这个难题，这是AI中的重要技术领域。近年来，由于深度学习技术的应用，语音识别取得了长足进步。

1952年，贝尔实验室的K·H·戴维斯（K.H.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，英国人彼得·迪恩斯（Peter Denes）等研制了第一个计算机语音识别系统。但从上世纪50年代到70年代，语音识别研究走了弯路，那就是简单地想电脑模拟人脑，认为必须先让机器理解自然语言。在当时计算机能力受限的情况下，这样的研究鲜有进展。

1970年后，统计语言学的出现打破了沉寂。领军人物是IBM沃森实验室的弗雷德里克·贾里尼克（Frederick Jelinek）。

贾里尼克用两个隐（含）马尔可夫模型（Hidden Markov Model）——声学模型和语言模型来清楚概括语音识别。这个框架至今对语言处理有着深远影响。

1999年，国际声学、语音与信号处理国际会议（ICASSP）中，已当选美国工程院院士的贾里尼克在大会上作了《从水门事件到莫尼卡·莱温斯基》的报告。这两件事和语音都有联系，而且时间跨度和语音识别都同样很长。隐马尔可夫模型处理语音也是从1972年开始，一直到贾里尼克作报告时还在进行，而且还将延续下去。

　　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为5000到20000， “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，atv，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个单词上升到几万个，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。