对着手机说句话,发消息、搜索、写备忘录,几秒钟就自动变成文字——这个功能用起来毫无感觉,但背后其实是一连串挺复杂的技术在运转。
你说的话本质上是一段连续的声波,机器会先把这段声波切成很多个极短的小片段(通常只有几十毫秒),分别分析每一小段的声音特征。
机器把每个小片段的声音特征,拿去跟海量已知的发音样本做比对,判断这段声音最可能对应哪个音节、哪个字。这个比对过程靠的是提前用大量真人语音样本训练出来的模型。
单靠发音判断经常会出现同音字混淆(比如「事实」和「是十」),这时候模型还会结合前后文的语言习惯,判断哪种组合更符合正常人说话的逻辑,挑出最合理的那句话。
文字转语音是相反的过程——把文字先拆解成对应的发音单位,再用训练好的声音模型合成对应的音频,拼接、调整语调停顿,最后合成一段听起来自然的语音。
打开语音转文字工具或者文字转语音工具试一下,现在这套技术的准确度已经相当成熟,方便到很容易让人忘记它背后其实运转着一整套模型。