当我们还是孩子的时候，我和我的朋友们经常玩一个游戏，我们在游戏中幻想哪些星际迷航技术最有可能是我们生活中的现实世界发明。输送机和经纱驱动-不太可能。但是通讯器、声控计算机和通用翻译器是非常可能的。

当语音识别出现在电脑桌面上时，这似乎是一个好主意——但对大多数人来说，它不能代替键盘和鼠标。现在，语音识别技术正在一个全新的环境中使用：手机。它的存在进一步促进了它在桌面上的使用和发展。

语音识别最早作为一种原始技术出现在20世纪50年代，那只是一种好奇。20世纪60年代初，IBM的鞋盒设备可以识别16个口语单词，并对简单的数学请求做出响应，例如“三加四的总数”。

Dragon Systems的口授可能是PC的第一个语音识别程序，它是在20世纪80年代早期为DOS计算机发布的。它只能识别单个单词，一次只能说一个。随着时间的推移，它演变成了龙的自然语音的产物(现在是第11版，归Nuance Communications所有)，可以用正常的会话声音和速度转录口语文本。

桌面上的语音识别有两大局限。首先，为了使程序高度准确，必须训练它识别用户的语音模式。Windows Vista和Windows7的原生语音仍然需要用户培训期，才能对文本技术和第三方产品(如Long Nature Speech)有用。

第二个限制是键盘的普及。大多数人习惯于打字而不是说话，因此语音控制面临着与德沃夏克键盘布局相同的困难障碍。普通老QWERTY现成好用，为什么还要学用dvorak？

负责为各种环境开发语音识别技术的微软TellMe团队高级产品经理Abhi release非常赞同这一点：“在桌面环境下，用户可以轻松使用其他交互方式，即键盘和鼠标，所以使用语音主要针对语音爱好者。

更广泛的应用所需要的语音控制计算是两件事——开箱即用更好，演讲已经是王道。其中一个地方长期以来一直在崛起：手机。

Nuance产品管理和营销副总裁Matt Revis解释了桌面和移动环境的区别：“桌面是完全专注于桌面用例的静态环境，因此桌面语音遵循任务流：支持办公应用、Web浏览、通信等。在移动领域，说话更多的是支持各种生活方式：专业人士出门、出去玩、免提(通话)等等。

Gartner分析师Tuong阮源也认为，声音在移动环境中更有意义。“从使用角度来看，”他说，“语音识别在手持设备上的价值要大得多。它增加了一种方便直观的输入法。

Nguyen补充说，这当然是正确的，如果一个简单陈述的替代方法是挖掘大量菜单或对抗微小的屏幕键盘：“随着纯触摸设备(没有物理按键)的使用越来越多，语音识别被用来增强数据输入/输入。它还支持免提要求或立法”。

(故事在下一页继续)

语音识别是通过建立口语统计模型来实现的。“为了识别口语单词，”谷歌产品经理阿米尔马内(Amir Mane)说，“我们比较了输入语音和语言的统计模型，试图找到最接近的匹配——系统对用户所说内容的最佳猜测。”

语言的统计模型需要大量的存储空间才能实用。马内说：“(它们)必须涵盖一种语言的所有基本声音(音素)、所有单词和所有不同的方式，这些在口语中可以联系在一起。此外，还有口音、性别和年龄差异、地区发音、选词(“汽水”对“可乐”对“流行”)等等。

曼恩指出，谷歌语音搜索的统计模型需要三个要素：声学模型、语言模型和词汇。他说：“声学模型是通过转录语音记录和口语内容，并使用这两者来创建电话表示，这是特定语言中所有单词的基本组成部分。

语言模型包括找出哪些单词可能跟在其他单词后面，并将它们用作提高识别准确性的方法。马内解释说：“在‘帝国反击’这个词后面会加上‘国家’或‘打击’(例如《帝国反击战》)，而不是‘多样化’或‘番石榴’。从该领域收集数据有助于不断改进语言模型和词汇。

谷歌不是唯一的众包公司。语音识别应用Vlingo将cookie放在用户的手机上，根据用户自己的反馈和类似扬声器的模型不断构建语音模型。

标签：