上周三晚高峰在新街口地下通道。
冷风灌得我帽子都飞了。
手里攥着半杯没喝完的冰美式，掏手机掏了三分钟掏不出来，急得对着AirPods喊“开锁，开共享单车的锁！”
结果那破助手沉默三秒，给我报了最近的开锁公司电话，还附赠了一句“请问需要为您联系警方吗？”
当时我站在人流里，差点把冰美式泼自己脸上。
你以为它在“听”你说人话，其实它在做“猜字谜”
很多人对语音识别的误会，从一开始就错了。
你以为它是像你的同桌那样，坐你旁边，听你说的每一个字，理解你说的每一层意思，甚至能从你拖长的尾音里听出你今天不想上班。
根本不是。
最早的语音识别根本不是先把话转成文字，而是直接对着声音波形“数特征”——就像你在嘈杂的火锅店，隔着三桌人听见朋友喊你名字，根本不会逐字逐句听清“这两个字是啥”，只会先捕捉到那个熟到骨子里的声调起伏、频率变化，哪怕中间混着火锅沸腾的咕噜声、服务员喊号的声音，你也能瞬间反应过来“喊我呢”。
嘈杂火锅店人说话的声波纹路对比图
说白了，它从一开始就没在“理解”你说的话，只是在对着一堆杂乱的声音线条，找和训练库里最像的那一段。你在家关着窗，安安静静对着手机说话，它的匹配率自然高；可你要是在风刮得你嘴都歪的地下通道，嘴里还叼着半块刚买的鸭油烧饼，说话带着含糊的麦香，它的数据库里根本没存过“叼着鸭油烧饼的普通话”是什么波形，自然只能瞎猜。
那些让你觉得“它怎么这么蠢”的bug，根本不是技术不行
我上次在老门东逛，对着导航喊“去老门东停车场”，结果它给我导去了三公里外的“老门东鸭血粉丝汤店”。
换以前我肯定要对着手机骂三分钟。
后来跟做算法的朋友聊才知道，语音识别根本管不了你说的话“是什么意思”，它只负责把你说的发音，对应成训练库里出现频率最高的那串字。
就像你小学做语文选择题，遇到完全不会的题，根本不会仔细读题干，只会选出现次数最多的那个选项——“停车场”和“粉丝汤店”，在日常语音样本里，后者的出现频率可比前者高多了，它不选这个选哪个？
语音识别匹配高频汉字的流程示意图
那些广告里吹的“99%识别准确率”，全是在实验室里测出来的。关着窗，没有车流，没有旁边卖活珠子的大哥扯着嗓子喊“活珠子十块钱三个”，没有风刮得你声带都抖，甚至连测试的人都是字正腔圆的播音员，那个准确率当然高。真把它扔到新街口晚高峰的人流里，能认出你说的是中文，就已经拼尽全力了。
哦对，还有我之前遇到的，我妈对着手机语音转文字，说“我今天去菜场买了点芦蒿”，结果系统给转成“我今天去菜场买了点芦苇”。为啥？我妈那辈人说的南京腔普通话，“芦蒿”的发音本来就和“芦苇”差不离，系统数据库里“芦苇”的出现频率可比“芦蒿”高多了，不转成这个才怪。
你以为的“语音识别没用”，其实是你用错了打开方式
你以为的“语音识别没用”，其实是你用错了打开方式
真的。
我后来摸索了大半个月，发现只要稍微调整下说话的方式，语音识别的准确率能高到离谱。
别扯长句子。
别吞音。
别像平时跟朋友聊天那样，话说一半就带过。
比如你要开共享单车，就对着耳机清晰说三个字“开单车”，别扯什么“麻烦你帮我把停在路边那辆车牌尾号372的青桔单车的锁给打开”——句子越长，中间带的杂音越多，它越容易猜错。上次我就这么试的，站在地下通道的风里，就喊了三个字，三秒不到，单车锁就“咔哒”弹开了，当时我差点给它鼓掌。
还有上次开线上会，我特意把麦克风凑近点，每个字的声调说满，连平时总吞掉的尾音都念清楚，最后出来的转写文字，连我自己看了都觉得“这居然是我说的话？”，一点错都没有。
说实话，我之前总觉得语音识别是个半吊子技术，用一次气一次，觉得什么时候才能做个能听懂我方言、听懂我吞音、听懂我在嘈杂环境里说的话的系统啊。
不过话说回来，你想想十年前，你对着诺基亚的语音助手喊“打电话给张三”，它能给你把电话打给“张散”，你都要夸它一句“今天真聪明”。现在它能在安静的环境里准确转写你说的每一句话，能识别你说的南京话“阿要辣油”，甚至能在你开车的时候，帮你发一条不带错字的微信，这进步其实已经快到我反应不过来了。
哪有什么天生就完美的技术啊。
它现在的那些蠢样子，无非是还没见过你叼着鸭油烧饼说话的样子，没见过你在新街口风里扯着嗓子喊开单车的样子，没见过你带着南京腔说“芦蒿炒香干”的样子而已。
等下次你再骂它识别不准的时候，不妨多试一次。
把字咬清楚点。
就当给那个还在攒经验的小助手，多递一份训练样本呗。
免责声明：市场有风险，选择需谨慎！此文仅供参考，不作买卖依据。如有侵权请联系删除。
文章名称：
你骂了好几年的语音识别，其实根本没在‘听’你说话
文章链接：https://www.lylxb.com/tech/568.html