來(lái)源：電子發(fā)燒友網(wǎng)


1952年，貝爾實(shí)驗室（Bell Labs）制造一臺6英尺高自動(dòng)數字識別機“Audrey”，它可以識別數字0～9的發(fā)音，且準確度高達90％以上。并且它對熟人的精準度高，而對陌生人則偏低。

1956年，普林斯頓大學(xué)RCA實(shí)驗室開(kāi)發(fā)了單音節詞識別系統，能夠識別特定人的十個(gè)單音節詞中所包含的不同音節。

1959年，MIT的林肯實(shí)驗室開(kāi)發(fā)了針對十個(gè)元音的非特定人語(yǔ)音識別系統。

智能語(yǔ)音的發(fā)展過(guò)程歷史詳細概述

二十世紀六十年代初，東京無(wú)線(xiàn)電實(shí)驗室、京都大學(xué)和NEC實(shí)驗室在語(yǔ)音識別領(lǐng)域取得了開(kāi)拓性的進(jìn)展，各自先后制作了能夠進(jìn)行語(yǔ)音識別的專(zhuān)用硬件。

1964年的世界博覽會(huì )上，IBM向世人展示了數字語(yǔ)音識別的“shoe box recognizer”。

二十世紀七十年代，語(yǔ)音識別的研究取得了突破性的進(jìn)展，研究重心仍然是孤立詞語(yǔ)語(yǔ)音識別。

1971年，美國國防部研究所（Darpa）贊助了五年期限的語(yǔ)音理解研究項目，希望將識別的單詞量提升到1000以上。參與該項目的公司和學(xué)術(shù)機構包括IBM、卡內基梅隆大學(xué)（CMU）、斯坦福研究院。就這樣，Harpy在CMU誕生了。不像之前的識別器，Harpy可以識別整句話(huà)。

二十世紀八十年代，NEC提出了二階動(dòng)態(tài)規劃算法，Bell實(shí)驗室提出了分層構造算法，以及幀同步分層構造算法等。同時(shí)，連接詞和大詞匯量連續語(yǔ)音的識別得到了較大發(fā)展，統計模型逐步取代模板匹配的方法，隱馬爾科夫模型（HMM）成為語(yǔ)音識別系統的基礎模型。

八十年代中期，IBM創(chuàng )造了一個(gè)語(yǔ)音控制的打字機—Tangora，能夠處理大約20000單詞。IBM的研究就是基于隱形馬爾科夫鏈模型（hidden Markov model），在信號處理技術(shù)中加入統計信息。這種方法使得在給定音素情況下，很有可能預測下一個(gè)因素。

1984年，IBM發(fā)布的語(yǔ)音識別系統在5000個(gè)詞匯量級上達到了95％的識別率。

1985年AT＆T貝爾實(shí)驗室建造了第一個(gè)智能麥克風(fēng)系統，用來(lái)研究大室內空間的聲源位置追蹤問(wèn)題。

1987年開(kāi)始，國家開(kāi)始執行963計劃后，國家863智能計算機主題專(zhuān)家組為語(yǔ)音識別研究立項，每?jì)赡暌淮巍?/p>

1987年12月，李開(kāi)復開(kāi)發(fā)出世界上第一個(gè)“非特定人連續語(yǔ)音識別系統”。

1988年，卡耐基梅隆大學(xué)結合矢量量化技術(shù)（VQ），用VQ／HMM方法開(kāi)發(fā)了世界上第一個(gè)非特定人大詞匯量連續語(yǔ)音識別系統SPHINX，能夠識別包括997個(gè)詞匯的4200個(gè)連續語(yǔ)句。

同年，清華大學(xué)和中科院聲學(xué)所在大詞庫漢語(yǔ)聽(tīng)寫(xiě)機的研制上取得了突破性進(jìn)展。

1990年，聲龍發(fā)布了第一款消費級語(yǔ)音識別產(chǎn)品Dragon Dictate，價(jià)格高達9000美元。

1992年，IBM引入了它的第一個(gè)聽(tīng)寫(xiě)系統，稱(chēng)為“IBM Speech Server Series （ISSS）”。

1992年研發(fā)的Sphinx－II在同年美國國防部先進(jìn)技術(shù)研究計劃署（DARPA）資助的語(yǔ)音基準評測中獲得了最高的識別準確度，這主要得益于其在高斯混合和馬爾可夫狀態(tài)層次上用栓連參數平衡了可訓練性和高效性。

1995年，Windows 95上首次搭載微軟SAPI，它使應用程序開(kāi)發(fā)者能夠在Windows上創(chuàng )建語(yǔ)音程序。

1995年，AT＆T研究院的 Dave Ladd， Chris Ramming， Ken Rehor 以及 Curt Tuckey 在頭腦風(fēng)暴關(guān)于互聯(lián)網(wǎng)會(huì )如何改變電話(huà)應用的時(shí)候，產(chǎn)生了一些新的想法：為什么不設計這樣一個(gè)系統來(lái)運行一種可以解析某種語(yǔ)音標記語(yǔ)言的語(yǔ)音瀏覽器，用來(lái)把互聯(lián)網(wǎng)的內容和服務(wù)提供到千家萬(wàn)戶(hù)的電話(huà)上。于是，AT＆T就開(kāi)始“電話(huà)網(wǎng)絡(luò )項目”（Phone Web Project）。之后，Chris繼續留在A(yíng)T＆T，Ken去了朗訊，Dave和Curt去了摩托羅拉。（1999年初的時(shí)候，他們分別在各自的公司邁出了語(yǔ)音標記語(yǔ)言規范實(shí)質(zhì)性的第一步。因為他們的密友關(guān)系，這幾家公司合作成立了一個(gè)VoiceXML論壇組織，IBM也作為一個(gè)創(chuàng )始公司加入了進(jìn)來(lái)。）

1997年IBM ViaVoice首個(gè)語(yǔ)音聽(tīng)寫(xiě)產(chǎn)品問(wèn)世，你只要對著(zhù)話(huà)筒喊出要輸入的字符，它就會(huì )自動(dòng)判斷并且幫你輸入文字。次年又開(kāi)發(fā)出可以識別上海話(huà)、廣東話(huà)和四川話(huà)等地方口音的語(yǔ)音識別系統ViaVoice’ 98。

1998年，微軟在北京成立亞洲研究院，將漢語(yǔ)語(yǔ)音識別納入重點(diǎn)研究方向之一。

2001年，比爾蓋茨在美國消費電子展上展示了一臺代號為MiPad的原型機。Mipad展現了語(yǔ)音多模態(tài)移動(dòng)設備的愿景。

2002年，中科院自動(dòng)化所及其所屬模式科技公司推出了“天語(yǔ)”中文語(yǔ)音系列產(chǎn)品——Pattek ASR，結束了該領(lǐng)域一直被國外公司壟斷的局面。

2002年，美國國防部先進(jìn)技術(shù)研究計劃署（DARPA）首先啟動(dòng)了EARS項目和TIDES 項目； 由于EARS項目過(guò)于敏感，EARS和TIDES兩個(gè)項目合并為“全球自主語(yǔ)言開(kāi)發(fā)”（Global Autonomous Language Exploitation，GALE）。GALE目標是應用計算機軟件技術(shù)對海量規模的多語(yǔ)言語(yǔ)音和文本進(jìn)行獲取、轉化、分析和翻譯。

2006年，辛頓（Hinton）提出深度置信網(wǎng)絡(luò )（DBN），促使了深度神經(jīng)網(wǎng)絡(luò )（Deep Neural Network，DNN）研究的復蘇，掀起了深度學(xué)習的熱潮。

2009年，辛頓以及他的學(xué)生默罕默德（D． Mohamed）將深度神經(jīng)網(wǎng)絡(luò )應用于語(yǔ)音的聲學(xué)建模，在小詞匯量連續語(yǔ)音識別數據庫TIMIT上獲得成功。

2009年微軟Win7集成語(yǔ)音功能。

2010年Google Vioce Action支持語(yǔ)音操作與搜索。

2011年初，微軟的DNN模型在語(yǔ)音搜索任務(wù)上獲得成功。

同年科大訊飛將DNN 首次成功應用到中文語(yǔ)音識別領(lǐng)域，并通過(guò)語(yǔ)音云平臺提供給廣大開(kāi)發(fā)者使用。

2011年10月，蘋(píng)果iPhone 4S發(fā)布，個(gè)人手機助理Siri誕生，人機交互翻開(kāi)新篇章。

2012年，科大訊飛在語(yǔ)音合成領(lǐng)域首創(chuàng )RBM技術(shù)。

2012年，谷歌的智能語(yǔ)音助手Google Now 的形式出現在眾人面前，用在安卓 4．1 和 Nexus 手機上。

2013年，Google發(fā)布Google Glass，蘋(píng)果也加大了對iWatch的研發(fā)投入，穿戴式語(yǔ)音交互設備成為新熱點(diǎn)。

同年，科大訊飛在語(yǔ)種識別領(lǐng)域首創(chuàng )BN－ivec技術(shù)。

2014 年，思必馳推出首個(gè)可實(shí)時(shí)轉錄的語(yǔ)音輸入板。

2014年11月，亞馬遜智能音箱Echo發(fā)布。

2015 年，思必馳推出首個(gè)可智能打斷糾正的語(yǔ)音技術(shù)。

2016年，Google Assistant伴隨Google Home 正式亮相，搶奪亞馬遜智能音箱市場(chǎng)。（亞馬遜Echo在2016年的智能音箱市場(chǎng)占有率達到了巔峰的88％）

同年，科大訊飛上線(xiàn)DFCNN（深度全序列卷積神經(jīng)網(wǎng)絡(luò )，Deep Fully Convolutional Neural Network）語(yǔ)音識別系統。

同年11月，科大訊飛、搜狗、百度先后召開(kāi)發(fā)布會(huì )，對外公布語(yǔ)音識別準確率均達到“97％”。

2017年3月，IBM結合了 LSTM 模型和帶有 3 個(gè)強聲學(xué)模型的 WaveNet 語(yǔ)言模型?！凹袛U展深度學(xué)習應用技術(shù)終于取得了 5．5％ 詞錯率的突破”。相對應的是去年5月的6．9％。

2017年8月，微軟發(fā)布新的里程碑，通過(guò)改進(jìn)微軟語(yǔ)音識別系統中基于神經(jīng)網(wǎng)絡(luò )的聽(tīng)覺(jué)和語(yǔ)言模型，在去年基礎上降低了大約12％的出錯率，詞錯率為5．1％，聲稱(chēng)超過(guò)專(zhuān)業(yè)速記員。相對應的是去年10月的5．9％，聲稱(chēng)超過(guò)人類(lèi)。

2017年12月，谷歌發(fā)布全新端到端語(yǔ)音識別系統（State－of－the－art Speech Recognition With Sequence－to－Sequence Models），詞錯率降低至5．6％。相對于強大的傳統系統有 16％ 的性能提升。

市場(chǎng)分析公司Canalys在2018年1月分布一份報告，其預測2018年將是普及智能音箱的“決定性一年”，相比全年出貨量剛過(guò)3000萬(wàn)臺的2017年，2018年智能音箱全球出貨量預計將達到5630萬(wàn)臺。

智能語(yǔ)音的發(fā)展過(guò)程歷史詳細概述

中投顧問(wèn)發(fā)布的《2018－2022年中國智能語(yǔ)音行業(yè)深度調研及投資前景預測報告》顯示我國智能語(yǔ)音市場(chǎng)整體處于啟動(dòng)期，智能車(chē)載，智能家居，智能可穿戴等垂直領(lǐng)域處于爆發(fā)前夜。