直到最近，在人類語音的機器翻譯領(lǐng)域內(nèi)的進展還遠(yuǎn)遠(yuǎn)沒有發(fā)展到為主流用戶帶來實質(zhì)性好處的地步，與機器對話依然還不太順暢。目前在低功耗音頻技術(shù)方面的開發(fā)活動具有了改善這種永遠(yuǎn)是瓶頸的人-機交互關(guān)系的潛力，而這種先前曾阻礙了語音識別領(lǐng)域內(nèi)真正進步的瓶頸將被突破。一條通往人-機互動領(lǐng)域內(nèi)快速創(chuàng)新的道路正在開啟，這將沿著我們與機器互動的方向引領(lǐng)諸多有趣的開發(fā)活動，這些機器將能夠傾聽我們，而且越來越多地聽懂我們。

 

　　語音也許是人類最自然的交流方式，但是將一臺機器引入到該過程則產(chǎn)生了對新的行為協(xié)議的需求，特別是在語音溝通過程中沒有另一方持續(xù)視覺線索的時候更為重要。對于早期的用戶，第一次電話通話是極不順暢的；而且即使在今天，雙向無線電臺的斷續(xù)通話方式也要求新用戶進行一些調(diào)整。在這兩種情況下，很快就發(fā)展出來一些常用的方法來實現(xiàn)相當(dāng)自然的溝通方式，主要是因為通話的另一方也是人類。隨著移動用戶面臨新的語音識別界面，他們將面臨與使用那些很老的通信手段時所出現(xiàn)的類似挑戰(zhàn)。

 

　　一個更近期的例子是，觸摸屏革命展示出了它們?nèi)绻軐崿F(xiàn)高品質(zhì)同時具有可為用戶體驗帶來附件價值的功能時，新的、陌生的、棘手的界面如何切入到主流應(yīng)用并且受到歡迎。

 

　　因此值得去在一個比傳統(tǒng)案例更為廣泛的意義上去定義語音控制的“性能”。因而能夠在考慮到下一代瓶頸時，設(shè)計出更多不會過時的解決方案。

 

　　構(gòu)建一種高性能的語音識別解決方案

 

　　過去一直用非常簡單的性能指標(biāo)來評估語音識別解決方案。這些指標(biāo)通常被換算為單獨的“精度”或者“命中率”數(shù)值，從根本上來表述正確識別字和詞組的概率。在定義“性能”時，需要一種更廣泛的和深思熟慮的方式，它能夠反映語音界面的長期發(fā)展?jié)摿Γ员阆蛴脩籼峁┫裼|屏界面一樣的舒適性和可用性等級。

 

　　翻譯質(zhì)量扮演了一個關(guān)鍵的角色，從根本上講它是一種人工智能，遠(yuǎn)不止基本的字詞識別。訪問所有設(shè)備功能也使語音識別成為了觸摸屏的一種切實可行的替代方案，有趣的是這也使該技術(shù)可用于一個更大范圍的設(shè)備種類，包括像可穿戴技術(shù)這樣更小的設(shè)備。低響應(yīng)延遲以及一種自然的、“無協(xié)議的”的交互方式，以及即使在有噪音環(huán)境中也能很好地運行，也改善了體驗。這要求精心的系統(tǒng)設(shè)計，以使設(shè)備級的信號處理技術(shù)能夠與基于云計算的智能很好地結(jié)合，以將這些性能增強帶給用戶。

 

　　去除按鍵

 

　　語音識別目前最大的人體工程學(xué)局限性是需要進行按鍵或者其它機械性啟動，從而限制了它在許多環(huán)境中的可用性。這種機械觸發(fā)是功耗這一制約因素的終極結(jié)果。為了保持具有競爭力的電池壽命數(shù)值，移動設(shè)備中待機功耗的預(yù)算都極低，典型的電池電流值為單位數(shù)毫安。當(dāng)功率預(yù)算這么低的時候，連續(xù)地運行語音識別(或者至少隨意的語音識別)是不可行的。

 

　　到目前為止，一個按鍵觸發(fā)器為這個問題提供了一種粗放的解決方案，它通過在按下按鍵之前禁用語音識別，使功率消耗平均值降到最低。但是，現(xiàn)今的語音觸發(fā)功能作為一種特性正在被加載到最新的高端音頻中樞(Audio Hubs)上，因為OEM廠商希望語音識別功能能夠更靈活、更易于使用。通過顯著地降低語音識別的平均功耗數(shù)值，甚至降到待機模式預(yù)算范圍內(nèi)這樣的水平，允許主處理器“休眠”。這種功耗降低(通常為一個數(shù)量級)是如此的顯著，以至于可以完全消除對按鍵的需要。