在使用Alexa访问网页，驾驶汽车，还有做其他杂七杂八事情时，我发现了一件有趣的事：Alexa竟然不能识别我老妈的口音！

　　我妈等了整整两个月才收到Amazon echo这个软件，不过她还要等我帮她安装到手机上。

　　当我下载软件的时候，她皱起了眉头。我猜，她可能想到了过去使用Siri的不愉快回忆，也可能她现在会怀疑所有的语音助手设备。 她说：“这些软件好像听不懂我在说啥。”

　　我老妈出生在菲律宾，老爸出生在印度。英语是他俩的第三语言。虽然他们在美国已生活了近50年，开奖，早已能讲流利的英语，然而多少还是会带点儿口音，并常常夹杂不那么道地的短语。 过去，包括Siri、Alexa在内的语音识别技术设备，基本上都不能识别他们“特别”的语音指令。

　　这不是什么我父母才有的特殊经历。（这样的经历甚至被记录在某些喜剧中，比如这个广为流传的被困在语音控制电梯里的段子（https://www.youtube.com/watch?v=NMS2VnDveP8）。）我嫂子说，她发现Siri不能识别她朋友和家人的“民族名字”，所以就放弃了使用Siri。这种沮丧我能想象：某天我命令Siri“发短信给Zahir”，结果变成了“发短信给Zara”。

　　尽管看起来，这还不是什么太大的问题，但考虑到一场语音革命正在进行中，这个问题将会变得愈来愈重要。

　　目前我们已经有了语音服务支持的可穿戴音频视频娱乐系统。由于在开车时司机们往往不怎么专心，语音控制系统可能很快将成为车辆的标配。GoogleHome和Amazon Alexa正想办法实现数百万美国家庭“智慧之家”的梦想。Echo是这个圣诞期间Amazon的畅销王牌，它的销量相对于2016年增长了900个百分点，甚至出现了延期交货，这也是我前面提到的，导致我老妈等了好长时间才收到Echo的原因。

　　研究人员预计美国今年将有2450万台语音驱动设备投入使用，以此来支持人们的日常工作（）–– 这支持了ComScore的一项预测（https://www.branded3.com/blog/ok-google-give-stats-voice-search/）；到2020年，一半的搜索将会通过语音来执行。（译者注：ComScore公司是一家全球性互联网信息服务提供商，是美国知名的互联网统计公司、互联网流量跟踪分析公司和市场调研公司）

　　随着越来越多的语音控制科技的出现，语音服务如何实现更好地服务带口音人群这一目标？

　　要训练一台机器识别语音，首先我们需要很多音频样本，研究人员必须收集成千上万人讲述各种话题的语音， 然后手动记录这些音频剪辑。 这些数据 (音频剪辑和书面记录的组合 )将会使得机器在声音和单词之间建立关联。其中使用最频繁的短语将被用于AI算法训练，以识别人类说话。

　　AI只能识别出训练过的内容，所以训练内容的口音多样性决定了语音识别软件的灵活性。 当前，政府、学术界和小型创业公司已经能依靠已有的音频和书面记录（称为语音语料库）来避免人工转录录音内容这样的劳动密集型工作。 宾夕法尼亚大学的语言数据联盟（LDC）是一个强大的语音语料库。它根据许可协议（https://www.ldc.upenn.edu/data-management/using/licensing）向公司和研究人员提供这些数据集。 Switchboard是LDC里面最著名的语料库之一（https://catalog.ldc.upenn.edu/ldc97s62）。

　　二十世纪九十年代早期，TexasInstruments推出了Switchboard语音数据库，然后由LDC把Switchboard提供给其他机器学习程序使用。 Switchboard是一个由543位美国人录制的大约2,400个电话对话组成的集合（https://catalog.ldc.upenn.edu/ldc97s62），共有约250小时的录音。当时研究人员通过赠送长途电话卡来招募参与者。 参与者拨打电话和其他参与者联系， 然后两个陌生人会就特定的话题展开讨论，比如如何抚养小宝贝，或最近的体育赛事如何。

　　因为LDC位于费城，多年来语言学家一直认为这些收集到的谈话样本总体上来看，应该会更接近美国东北部口音。 但是一直到应用程序Yik Yak的机器智能主管MarsalGavald拿到Switchboard参与者的资料时，他才发现在语言库里中西部地区口音其实更多一些，而南部和北中部的口音比例合起来才到40％左右，远没有预想中那么多。

　　虽然还有许多其他语料库，Switchboard仍然是语音识别系统模型的基准。IBM和Microsoft都使用Switchboard来测试其语音系统单词的错误率（https://www.engadget.com/2017/03/10/ibm-speech-recognition-accuracy-record/）。 Gavaldà告诉我们：“几乎所有的语音识别引擎都使用了这套超500人样本的语料库进行训练”。