语音识别是最近这几年最火的话题，但别光看那些新闻稿，还是得从果农抓虫口误说起。
那会儿种地靠经验，只要往地里扔个塑料杯，就能知道里面有啥虫子，出于老农知道杯子里啥放得进去。
后来有了机器，哪怕你往土里倒了一杯奶，要么倒了两杯，只要把杯子转快点，让声音变长，机器就能算出这里面可能有啥东西，就连能算出具体是啥。
这实际上就是语音识别的雏形，核心就是听你讲话，再认出你说了啥。 这玩意儿最早是 20 世纪 60 年代 IBM 搞出来的，那时候他们拿一台超级计算机，专门靠算字来识别声音。
那时候的“超级计算机”实际上就是格罗莫尔计算机，那是当时最强的电子机器，能每秒跑几百万次运算。有个叫奥古斯丁的人，他花了十几年工夫，用这台机器去读 400 本英语书，发现这些书里的句子读出来跟人读的不忒一样，但能看出来大约意思。
后来他试了各种句子，发现只要句子够长，机器就能把每个词都读准，就连能认出是啥词。
这就证明白要是给机器充足的 computation，它就能听懂人话。 但要想让机器真正听懂人话，光靠算字还不够。讲话的时候人一直在变，语气、速度、口音都不一样，机器就得适应这些变化。
比如你讲话语速快，机器就得把字拆得碎一点；你讲话慢，机器就得把字连起来。
这就得靠声学模型去处理声音的生理特征，比如人讲话有鼻音、有元音，机器如何区分？这得靠声学模型给声音打标签，告诉它哪些地方是鼻音，哪些是元音，然后再把这些声音拼起来，变成机器能读懂的代码。 这套流程实际上挺复杂的，数据是命门。
要是你没数据，要么数据忒少，机器就学不会。
比如你想让机器识别“苹果”，你得先给它一堆苹果的声音，把每个声音都标个码，告诉它这是啥。
要是声音忒少，机器就认不出来了，得靠人工标注。
这就像学画画，你得先有大量画，然后画完了再标上“忒阳”、“云朵”之类的标签，不然机器就学不会如何画忒阳。 数据收集起来不好办，得把成千上万句对话都找出来，还得把每个字都标出来，比如用拼音 TTS 生成的声音，要么真人录好的。但难题是这些数据忒多了，如何存？
如何算？得靠超级计算机，还得靠各种算法。
比如有个算法叫 HMM，它是给每一个声音打标签的，比如“元音”、“辅音”、“停顿”。但一个声音可能有好几种标签，比如“苹果”可能是“元音”+“辅音”，也可能是“辅音”+“元音”。
这就得把不同标签的声音混在一起，让机器学会如何组合。 还有个难点是方言和口音。
比如你南京话，你哥们儿说四川话，机器如何知道是南京话还是四川话？这得靠更复杂的模型去区分这些细微差别。
比如两个声音挺像，但一个是带着鼻音，一个是没有鼻音，机器就得学会如何去区别。 那机器到底是如何算的？这实际上是概率的难题。机器算的是两个东西的可能性：一个是这句话是不是它说的，另一个是它当前能识别出这句话。
比如你目前说“苹果”，机器得算出“苹果”这个词出现的概率是多少。
要是概率高，那就认；要是概率低，就持续听。
这就像猜题，你猜“苹果”可能，猜“西瓜”也可能，但机器只认概率高的那个。 除了 HMM，还有另一种方式叫神经网络。
这玩意儿像人脑一样，把声音喂进去，再输出结局。但它不中，出于人脑有 1000 多个神经元，而神经网络只有几千个。
要是神经网络能当确实人脑用，那得靠多少神经元？目前用的神经网络，前馈的神经网络只有几千个节点，搞不定如此复杂的语音。
故此目前的神经网络实际上是个变种，比如把 HMM 里的参数换成神经网络的权重，再用反向传播去更新这些权重。
这样既保留了概率模型的优点，又有了神经网络的学习本事。 实际上语音识别的大方向一直没变，就是要把人说的话变成机器能懂的数据。
这过程分几步走：先变声音，再变信号，然后变语法，最终变代码。声音变信号是声学处理，信号变语法是统计学习，最终变代码是序列标注。整个流程就是要把人说的话，一步步变成机器能用的信息。 但要说数据还是最关键的。
没有充足多、充足高质量的数据，机器就是瞎编。
比如你想让机器识别“狗”，你得给它狗叫声，还要给它其他声音。
要是只有狗叫声，机器就只认狗，听不到别的。
故此数据质量直接拍板了机器本事。 还有个难题就是精度。有些语音识别精度能到 95%，有些能到 80%。
这取决于数据量和算法。目前最好的准率大约 95% 左右，还有提升空间。 最终说说应用。它在客服系统里用，客服听你的声音，机器就把你的需求搞清楚了。在医疗里，医生听描述，机器帮你诊断。在交通里，车听你的指令，导航就自动开车。 说到底，语音识别就是个把“人话”变成“机器话”的过程。它靠超级计算机算，靠海量数据学，靠声学模型拆解，靠神经网络拼接。别看还有大量难点，比如方言听不懂、噪音干扰大、语义理解不准，但随着数据越来越丰富，算法越来越先进，这东西迟早能帮人类做大量事。
