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

曾经，像《星际迷航》里柯克船长与电脑对话获取信息那样，用语音获取信息只存在于科幻作品中。随着具备网络功能的智能手机出现，信息获取成为日常生活中无处不在的一部分，用户的期望和对服务的需求也发生了显著变化，例如想要获取最新的信息（最近的停车位在哪？）或进行特定的通信操作（将我的Facebook状态更新为“寻找巧克力”）。

如今，用户对信息和服务的普遍可用性期望越来越高，希望能随时通过各种设备，如手机、汽车、手表、电视等获取网络信息和服务，这些设备已成为日常生活的一部分，帮助满足各种日常需求。

谷歌的目标是让语音访问无处不在，用户能自然地通过语音表达需求。要实现这一目标，需要满足两个方面：
- 可用性 ：将语音输入或输出融入到所有合理的交互场景中。
- 性能 ：语音交互流畅，不产生任何阻碍。

性能主要体现在两个核心方面：
- 核心识别质量 ：能否准确转录听到的每一个单词。
- 延迟 ：交互速度要快，这是实现无摩擦交互的重要因素。

为解决语音搜索中的各种技术挑战，谷歌采用大量训练数据构建准确模型，同时关注文本归一化、语料时效性、多模型应用的用户界面设计和错误处理等特定挑战。

2. 文本转语音

早期，谷歌在GOOG411等服务中使用第三方的文本转语音（TTS）系统。随着语音交互在谷歌的重要性日益增加，2010年谷歌收购了英国提供TTS的初创公司Phonetic A