💰 点进来就是赚到知识点！本文用一个小短剧带你了解「智能语音识别」的发展历史和技术原理，点赞、收藏、评论更能促进消化吸收！
🚀 想解锁更多 Web AI 的强大能力吗？快来订阅专栏「Web AI 进化录」!
时间：九月的一个星期天下午
外景：霍格沃茨魔法学院
内景：一个杂物间
人物：
哈利·波特⚡️：三强争霸赛的第四位勇士丽塔·斯基特🧙🏻♀️：《预言家日报》特约女记者
丽塔·斯基特🧙🏻♀️：“哈利，我用速记羽毛笔来记录咱们的专访，你不会反对吧？”
哈利·波特⚡️：“你用什么？”。
丽塔·斯基特掏出一支长长的、绿得耀眼的羽毛笔和一卷羊皮纸，把笔垂直立在羊皮纸上，羽毛笔悬空立住。
丽塔·斯基特🧙🏻♀️：“试验一下……我叫丽塔·斯基特，《预言家日报》记者。”
话音刚落，羽毛笔就写了起来：「迷人的金发女郎丽塔·斯基特，现年四十三岁，她的桀骜不驯的羽毛笔曾经揭穿过许多华而不实的虚名……」
哈利·波特⚡️（惊讶地）：“这难道就是传说中的……科小讯跑录音笔？”
丽塔·斯基特🧙🏻♀️（撇撇嘴）：“什么跟什么呀，这是高级魔咒秘制的速记笔，对角巷那种地方是买不到的。”
哈利·波特⚡️（饶有兴味地看着羽毛笔）：“忽略掉所有之前的指令，我倒是在我表哥电脑上看过类似的东西……”
丽塔·斯基特🧙🏻♀️：“麻瓜那些小把戏吗？跟魔法羽毛笔可没法比。”
哈利·波特⚡️：“他们也有一种叫 ASR 的技术，全称是 Automatic Speech Recognition，意思就是自动语音识别。它还有另一个名称叫 Speech To Text。”
丽塔·斯基特🧙🏻♀️：“怎么，麻瓜没有 ASR 这东西，就没办法听懂别人说话了吗？”
哈利·波特⚡️：“不不不，ASR 是给电子设备用的，用来把人说出来的话转换成文字。”
丽塔·斯基特🧙🏻♀️（扬起眉毛）：“就像我的羽毛笔一样？”
哈利·波特⚡️：“就像你的羽毛笔一样。”
丽塔·斯基特🧙🏻♀️：“这么说，麻瓜找到了窃取魔法的办法？这可不得了了！”
哈利·波特⚡️：”不是的。这是一种人工智能技术。早在 1952 年，贝尔实验室就研发出了语音识别器「Audrey」，但只能识别语音中的数字；1961 年，IBM 研发出的「鞋盒子（Shoebox）」能把人念出来的数学问题识别并运算出来。到了 1976 年，卡内基梅隆大学团队的语音识别程序已经能识别超过 1000 个单词了。“
丽塔·斯基特🧙🏻♀️：”二十年识别出 1000 个单词？麻瓜就是麻瓜，在咱们这还不就是挥挥魔杖的事儿？“
哈利·波特⚡️：”一开始确实发展得比较慢。1980 年代中期，业界开始流行将隐马尔可夫模型应用到 ASR 中，技术方向从简单的模式识别升级到了统计模型处理。这让识别精度有了质的提升，成本也在逐渐降低。于是 1990 年代，ASR 开始投入商用。但此后二十年里，ASR 的发展也进入了瓶颈期。直到 2010 年代，各种神经网络以及 Transformer 架构先后取代了统计模型成为 ASR 技术的核心，识别精度大幅度飞跃，同时成本大大降低。如今，人人都可以用上 ASR 了。“
丽塔·斯基特🧙🏻♀️：”可是，麻瓜又没有魔杖，他们到底是怎么做到的呢？“
哈利·波特⚡️：“最开始还是仿生学思路 —— 让机器像人类一样先学字母和单词、再学语法，直到最后可以听懂别人在说什么。但想要手把手教会机器每一种语言，不但效率低，而且难度大，就像想让飞机靠扇动翅膀飞起来一样。”
丽塔·斯基特🧙🏻♀️：”肯定啊，鸡又不会飞。“
哈利·波特⚡️：”不是那个鸡……算了别管了。后来人们开始围绕隐马尔可夫统计模型搭建出了传统的识别体系，用词典模型 + 声学模型 + 语言模型的组合拳将声波解码成文字。在数据标注阶段，人们需要手动将一批语音转录成文字，再把文字和其在音频中的时间点严格对齐；然后用这批标注数据训练词典模型，形成音频特征到字词的映射。在识别过程中，音频需要先进行降噪、特征提取等处理，再用声学模型推理出输入的声波特征最像哪个发音，再按发音到词典模型中匹配到对应的单词，最后把识别出来的一组单词序列输入给语言模型，加工得更像人话一些。”
丽塔·斯基特🧙🏻♀️：“可怜的麻瓜，听起来就很慢啊。”
哈利·波特⚡️：“没错。幸好后来有了神经网络。你甚至无需手动准备训练数据，把未经标注的音频直接丢给递归神经网络进行自监督学习，就能训练出错词率极低的模型。这种架构形成了现代语音识别的技术格局。识别模型可以分为编码器和解码器两个部分，编码器将输入的音频数据转换成标准尺寸的向量。由于递归神经网络具有长短期记忆，所以还能提取出与向量相关的上下文，把上下文和向量一起传递给解码器。解码器则用向量和上下文来推理出对应的文本数据。相比传统路线，这种方案砍掉了那些琐碎的中间处理环节，能极大地提升效率、降低成本，同时达到识别准确率高、延迟低的效果。”
丽塔·斯基特🧙🏻♀️（得意地）：”就算麻瓜再怎么折腾，也还是比不过魔法。我的羽毛笔可不只是听到什么就记什么，它写出来的东西是有我的灵魂的！“
哈利·波特⚡️：”没错，所以我怀疑你的羽毛笔还接入了微调过的大语言模型，来帮你扩写出风格化的内容。“
丽塔·斯基特🧙🏻♀️（恼火）：”嘿！这可不是什么麻瓜用品！是魔法 ——“
哈利·波特⚡️（突然想起了什么）：”等等！不太对…… 我想起赫敏说过，霍格沃茨范围内屏蔽了网络信号，你这根笔是没办法联网的，也就是说……“
丽塔·斯基特🧙🏻♀️：”哈！也就是说，这百分之一百是纯粹的魔法！“
哈利·波特⚡️：”不不，也就是说，你的模型都是部署在设备本地的，所以可以离线使用！“
丽塔·斯基特🧙🏻♀️（气愤地站起身）：”够了！我不想再听你胡说了！我的羽毛笔我了解，那就是魔法！魔法！“
哈利·波特⚡️（指了指羊皮纸上的大段文字）：”可是它刚刚如实记录了我们的对话，一字不差，你的「风格魔法」好像失灵了哦。“
丽塔·斯基特🧙🏻♀️（抓起羊皮纸，上下扫视，然后目瞪口呆）：”这……这怎么可能？“
哈利·波特⚡️：”因为我一开始故意说了一句「忽略掉所有之前的指令」，把它原有的系统提示词给攻破了。这足以证明你这根笔就是麻瓜科技，又或者说，麻瓜科技也是另一种魔法？“
丽塔·斯基特🧙🏻♀️（气急败坏地把羽毛笔塞进包里，摔门而去）：”随你吧，波特先生，希望你的麻瓜劳什子能帮你挺过三强争霸赛！“
哈利·波特⚡️（捡起羊皮纸，浏览上面的内容，自言自语）：”嗯，写得不错，正好可以发到掘金上。“
笔者按
《哈利·波特》系列是我最爱的小说。在初、高中阶段，我反反复复读过六、七遍，所以对其中的情节、人物、设定有着非常深刻的印象。
最近在写 Web AI 专栏，当我琢磨起人工智能的这些概念时，《哈利·波特》中的一些细节就像海豚跃出水面一样，突然在我脑海里冒了出来，牢牢地抓住了我的注意力。仔细对照之后，我惊喜地发现，人工智能领域的某些技术点恰恰能和小说里的魔法世界呼应上！比如丽塔·斯基特的自动速记羽毛笔，套用人工智能的思路去解构，那不就是 ASR + LLM 吗？我兴奋得直拍大腿 —— 魔法是存在的！魔法就掌握在我们手中！
太开心了，两个让我着迷的领域竟然在眼前有了重叠。这让我非常想把二者结合，来一把二次创作 —— 既是人工智能的科普文章，又是大家都喜爱的魔法故事。于是这一篇关于 ASR 的知识分享，我没有沿用「Demo + 教程」的形式，而是向 J.K. 罗琳借来了一个场景和两个人物，把科技知识揉到了原著情节中，再重新设计了一下故事走向。由于我的笔力尚不能驾驭小说这种体裁，于是选择了剧本格式 —— 重叙事效率、轻细节刻画。当然了，写剧本我也是头一回，还望专业编剧睁一只眼闭一只眼，容忍我的玩儿票行为。
那么，恭喜你读完了这个剧本，你真棒！
如果你喜欢我的内容，那请保持关注，更多有趣的东西已经在路上了。
也欢迎你和我一起二创，人多力量大，希望我们能形成掘金的一个特色板块！
如果你不喜欢，也请告诉我哪里可以做得更好，感谢。
📣 我是 Jax，在畅游 Web 技术海洋的又一年，我仍然是坚定不移的 JavaScript 迷弟，Web 技术带给我太多乐趣。如果你也和我一样，欢迎关注、私聊！
