43、Google语音研究：实现通用语音接口

Google语音研究：实现通用语音接口

1. 语音搜索

语音获取信息曾是科幻场景，如今随着智能手机普及，信息获取成为日常生活一部分，用户期望也随之转变。他们希望随时获取最新信息或进行通信，如询问最近停车位、更新社交状态等。语音技术对满足这种随时随地的信息获取需求至关重要。

Google的目标是让语音访问无处不在，这需要满足两个条件：
- 可用性 ：融入所有语音输入或输出有意义的交互中。
- 性能 ：交互流畅无阻碍。

性能主要体现在两个方面：
- 核心识别质量 ：准确转录听到的每个单词。
- 低延迟 ：交互速度要快。

在语音搜索中，还面临着文本归一化、语料时效性、多模型应用的用户界面设计和错误处理等挑战。

2. 文本转语音

早期Google使用第三方文本转语音（TTS）系统，2010年收购Phonetic Arts后开始自主开发。目前已支持30多种语言，应用于Google Maps、Google Translate和Android等服务。

典型的TTS系统由文本分析和语音合成模块组成：
- 文本分析模块 ：包含自然语言处理子模块，如句子分割、单词分割、词性标注、文本归一化和 grapheme - to - phoneme（G2P）预测。Google开发了灵活的文本归一化系统“Kestrel”，其核心是将文本归一化语法编译为WFST库，该工具已开源。
-