即将推出——手机上的离线语音识别

Josiah02

目前，超过四分之一的人将语音识别融入日常生活。哥本哈根大学研究人员及其国际同事开发的新算法使人们无需任何互联网连接即可与“Siri”等数字助理进行互动。这项创新使语音识别可以在任何地方使用，即使在安全至关重要的情况下也是如此。
与计算机对话曾经是科幻小说中的东西。如今，在智能手机或其他交互式小玩意上说“嘿 Siri”或 Alexa、Google 或其他数字助理已经变得司空见惯。然而，在未来，语音识别的作用可能会变得更加重要。
虽然研究表明，四分之一的人已经定期使用这些技术，但如果预测属实，到 2025 年，配备语音识别功能的设备数量将超过地球人口。而且这项技术仍在不断发展。
到目前为止，语音识别依赖于连接到互联网的设备。这是因为通常用于此过程的算法需要大量临时随机存取存储器 (RAM)，而这些存储器通常由强大的数据中心服务器提供。事实上，尝试将智能手机切换到飞行模式，看看语音命令能让你走多远。但变化即将来临。
哥本哈根大学计算机科学系的 Panagiotis Karras 教授与希腊雅典娜研究中心的语言学家 Nassos Katsamanis 以及芬兰阿尔托大学和瑞典 KTH 的研究人员共同开发了一种新算法，可以使智能手机等更小的设备无需大量内存或互联网访问即可解码语音。
该代码最近在Interspeech 2024会议上展示，采用了一种巧妙的策略：它会实时“忘记”它不需要的东西。
“语音识别的工作原理是将我们用来组成单词和句子的小语音（称为音素）与对应声音库进行匹配，”Panagiotis Karras 解释道。“计算匹配的概率以及随后形成单词和句子的组合。计算最有可能的序列，然后软件将这些声音翻译成文本。”
当前算法要求说话时间越长，记忆量就越大，因为在分析完最终声音之前，所有备选组合都必须保持开放。新算法解决了这个问题。
“Panos 构想的算法，经过我们团队的进一步开发，实现了全新的功能，”联合开发者兼合著者 Katsamanis 说道。“与语音识别早期使用的现有黄金标准算法不同，我们的算法仅存储一小部分处理数据，作为一组‘坐标’。有了这些，就可以重建整个序列，从而以更少的 RAM 实现语音识别。”
从关键词到整个句子
这一操作听起来可能很简单，但它涉及一种全新的独特代码，研究人员已为此申请了专利。该算法减少了对关键内存的需求，同时又不牺牲识别质量。尽管它需要稍多一些时间和计算能力，但研究人员表示，与现代设备的强大功能相比，这种差异可以忽略不计。
此外，它无需互联网连接即可工作，从而可以在任何地方，甚至是在亚马逊丛林深处，实现语音识别——研究人员希望未来可以实现实时语言翻译。
当当前软件需要存储备选序列和潜在声音解释库时，单个单词或非常短的句子通常是可以管理的。然而，随着句子越来越长，潜在的单词组合越来越复杂，对 RAM 的需求也随之增加。
“某些小型设备已经可以在没有互联网连接的情况下识别并根据几个单词采取行动。例如，智能家居系统可以识别‘打开’或‘关闭’等关键词。这被称为小词汇量语音识别。使用我们的算法，无需互联网连接，就可以识别更广泛的指令，或者原则上识别整个语言。这被称为大词汇量语音识别，”卡拉斯教授说。
增强包容性、安全性和节能效果
据研究人员介绍，这项发明开辟了一系列的可能性——从实用性、安全性和社会效益，到其巨大的节能潜力。
例如，许多人可以从旅行时翻译外语的能力中受益，无论是否有互联网接入。这是研究人员希望实现的一种可能性。但是，语言无障碍对社会的影响，无论是现在还是将来，都可能更为显著。
Katsamanis 认为这项技术前景广阔：“这种算法可以让信息更容易获取，从而推动语言技术的民主化。无论是否接入互联网，都可以使用翻译工具和语音助手，这将使更多人参与社会。特别是，它将帮助那些没有书面语言技能或身体残疾的人，使他们能够理解和影响社会决策。”
这项语音识别发明的另一个关键优势是其安全性。当安全性至关重要时，新算法解决了一个重大问题：互联网连接可能被黑客入侵。通过消除对互联网访问的需求，该算法增强了安全性。
此外，虽然数据中心支持当前语音识别技术所消耗的能源对于消费者来说可能是不可见的，但在气候变化的世界中，这却至关重要。这项技术日益增长的需求如果通过这项发明得到满足，将通过减少对临时内存的巨大需求而显著节省能源。
卡拉斯教授总结道：“减少能源消耗，尽量减少对化石燃料的依赖，至关重要，因为许多数据中心仍在使用这些能源。”