语音识别

语音识别，说白了就是把人说的话变成文字的技术：它把你说话的声波切成一小段一小段，对照学过的“声音和字的对应规律”，猜出你最可能说的是哪几个字，再连成一句话。 微信语音转文字、音箱听口令、会议录音出纪要，靠的都是它。

先看一个你多半遇到过的场景。晚上在安静的家里，你对着手机说：“明天上午十点提醒我交电费。”语音输入一字不差地打了出来。第二天你在菜市场里说了同样一句话，转出来的却是“明天上午四点提醒交电费”——“十”变成了“四”，“我”字还丢了。同一个人、同一部手机、同一句话，差别为什么这么大？不是手机变笨了，是它收到的“原料”不一样了：你的声音里混进了叫卖声和讨价还价声，机器要先从一团乱哄哄的声波里把你的声音挑出来，再逐段猜字，难度完全不是一个级别。

机器是怎么把声音变成字的

下面按常见的分步思路拆开看；现代端到端模型可以把这些环节合在一起，不一定先输出一串发音再转文字。

1. 先把声音切成极短的小段。 麦克风把你的声音录成一串连续起伏的波形。常见处理方式会先把它切成几十毫秒一小段——一句几秒钟的话，切下来就是几百个小片段。

2. 逐段对照“声音模型”，猜发音。 每个小片段会被换算成一组声音特征（音高不高、能量集中在哪些频率上），然后拿去对照一个“声音模型”：长这样的声音，最可能是哪个发音。这个模型不是谁手工编的发音对照表，而是拿海量“录音配上对应文字”用机器学习练出来的——见得多了，它就知道什么样的波形多半对应什么音。

3. 把发音连成字，靠前后文定同音字。 单独一个音，候选字往往有一串：一个“shì”，可能是是、事、市、室。机器会把整句话放在一起看，挑最通顺的组合——“我去shì场买菜”，多半猜“市”。所以你会发现，说整句比一个字一个字蹦着说要准，上下文本身就是线索。

4. 全程是“猜最可能”，不是“听懂了”。 注意，这三步里没有一步是“理解”。它交出来的只是概率最高的那串字：猜对了，它并不知道这句话什么意思；猜错了，也不能指望它总能发现并纠正。这一点下面专门说。

为什么一吵、一带口音就容易错

从上面的流程能看出，识别准不准，取决于两个条件。

一是原料干不干净。 安静房间里，你的声音清清楚楚；菜市场里，你的声波和别人的声波叠在一起，机器要先干“挑声音”这道额外的活儿，挑不干净，后面猜字自然跟着错。几个人同时说话时更难——人能在饭局上盯住一个人的声音听，机器到现在也不擅长这件事。

二是模型练没练过这类声音。 如果一个模型主要用标准普通话训练，它对相似录音通常更熟；面对训练中覆盖较少的方言、口音或嗓音，准确率就可能下降。专门训练的方言模型则可能表现很好。这不是机器“歧视”方言，是它确实见得少。

这也顺带解释了，为什么语音输入总提醒你“离麦克风近一点、说慢一点”——本质上都是在帮你改善原料。

“识别出字”和“听懂意思”是两步

很多人觉得音箱“听懂了”命令，其实里面隔着两道工序。你对音箱说“把空调调到二十六度”：第一道，语音识别把声波变成一行字——这是本词讲的范围；第二道，理解程序读这行字，判断“这是在让我调空调”，再去执行——如今这道工序常由大语言模型一类的技术接手。

分成两步看，两件事就清楚了：第一，识别错一个字，后面全歪——“调到”被听成“关掉”，理解得再准也是南辕北辙；第二，字全对也不等于“懂了”——同样一句“你可真行”，是夸还是损，光看这行字是看不出来的。能同时处理声音、文字、图像好几种信息的 AI，叫多模态AI；语音识别只是其中“进耳朵”的那一环。

所以用语音输入发重要消息——尤其是带时间、数字、地址的——发出去之前扫一眼；录音转写出的会议纪要，关键处对照录音再确认。不是机器不靠谱，是“猜最可能的字”这活儿本身就允许出错。