首頁 > 李洋 2007/10/30
當語音識別技術遇到互聯(lián)網，視頻搜索又有了新的可能。計算機可以輕松處理文本，但對語音卻沒那么容易。在過去的20年里，研究人員一直在努力讓人和計算機搭上腔。語音識別技術因此變得成熟。現在，你已經可以通過聲音來“命令”計算機做一些簡單的操作，你所講的話也能夠被順利地識別為一段文字。而當視頻互聯(lián)網時代到來后，人們對語音技術又有了新的期望。
隨著互聯(lián)網上音視頻文件的不斷增多，如何進行準確的檢索成為一大難題。目前，大多數搜索引擎的做法是根據視音頻文件自帶的文字介紹，以及上下文環(huán)境來判斷；或者通過Web2.0常用的Tag（標簽）及朋友的推薦信息來確定視頻內容。但這些方式的缺點也像其優(yōu)點一樣顯而易見。一旦視頻名稱或者文字信息不全面，就會使你跟很多精彩內容擦肩而過。
另一種做法是從內容和視覺方面做文章。比如，微軟亞洲研究院華先勝研究員的一項基于內容的視頻搜索技術，可以通過訓練計算機對內容場景進行學習，從而能夠彌補上述的不足，搜索到視頻里面去。但這種方法在有些場合也有其局限性。比如，類似《鏘鏘三人行》的談話類節(jié)目，每期的場景和人物都相對固定，視頻內容提供的信息就非常有限了。而對于這類以談話、評論或播報為主的節(jié)目來說，利用語音識別技術針對語音內容進行檢索，便成為一種更為有效的方法。
互聯(lián)網上的視頻、聲音質量參差不齊，內容更是包羅萬象，如果將傳統(tǒng)的語音識別技術直接應用于互聯(lián)網視頻搜索，識別準確性很低（通常只能達到50％～70％），而信息丟失率很高。因此，微軟亞洲研究院的余鵬研究員所在的研究小組提出了一項“詞格”索引技術。簡單來說，這項技術的原理就是在分析語音內容的時候為系統(tǒng)提供多個候選信息。據余鵬介紹，通過實驗得出的結論，這一方式可以將準確性提高50%～150%。
舉個例子。當我們識別“歡迎來到微軟研究院”這樣一段語音片段時，系統(tǒng)將會提供多個候選信息，“歡迎”可能是“幻影”，“來到”可能是“來道”，“微軟”也有可能是“未來”，“研究院”也可以分解產生“煙酒業(yè)”、“洋酒”、“眼鏡院”等多種候選信息。
被識別出的每個短詞都帶有起止的時間信息作為標識這一詞的節(jié)點。時間點接近的短詞便可以連接為一句話。比如上面的例子，除了出現正確的答案外，還可能會出現“幻影來到未來煙酒業(yè)”等多種可能的候選。
看到這里你可能會問：“在如此多的候選句子中，系統(tǒng)會優(yōu)先選擇哪個識別結果呢？”實際上，對于每個識別出的短詞，這項技術還配有一個代表置信度的得分。而這個得分來自系統(tǒng)的概率統(tǒng)計，代表該詞成立的可能性。系統(tǒng)有“聲音”和“語言”兩個模型，分別從發(fā)聲和人類語言習慣的角度來對計算機進行訓練，使之可以在識別時做出基于概率統(tǒng)計的判斷。
如此一來，丟失率的問題便獲得了很好的解決。同時，通過對時間節(jié)點接近的多候選信息采用類似“合并同類項”等優(yōu)化方法，可以剔除大批的冗余信息，從而可最終獲得較高的準確性和搜索效率。
而你能想象這項技術帶來的便捷嗎？你將再也不用花時間點擊每個視頻文件了—當你輸入一個關鍵詞，比如“北京奧運會”，系統(tǒng)給出的每個搜索結果中都會實時列出包含關鍵字的上下文。你可以以此來確認內容，也可以直接點擊其中標粗的關鍵字，位于搜索頁面右邊的播放器便會自動轉到相關內容進行播放。還記得上面提到的時間節(jié)點嗎？對，它存在的另一個意義便在于此。而你甚至還能從每個結果下方的音頻條，形象地了解這一關鍵詞在這段視頻中出現的位置和頻率。
互聯(lián)網周刊
