自动语音识别 ASR 是什么？从识别数字到听写一切

自动语音识别（Automatic Speech Recognition，ASR）是把人说的话转换成文字的技术。语音输入法、语音助手、视频自动字幕、会议转写、客服录音分析，都建立在 ASR 之上。它是人与机器用语音交流的第一步：机器先要听清你说了什么，才能理解和回应。

七十多年的演进

起步：1952 年，美国贝尔实验室研制出名为 Audrey 的系统，能识别单个说话人念出的数字 0 到 9，这被视为自动语音识别的开端，相关成果发表在《美国声学学会会刊》上。早期的系统只能识别很少的词，而且往往要针对特定的说话人。

统计时代：1975 年，卡内基梅隆大学的 James K. Baker 在博士论文中引入了隐马尔可夫模型（HMM），用概率统计的方法建模语音，奠定了大词汇量连续语音识别的基础。此后几十年，HMM 加高斯混合模型（GMM）一直是语音识别的主流框架。

深度学习时代：2012 年，多伦多大学、微软、谷歌和 IBM 的研究人员联合发表了里程碑论文，用深度神经网络（DNN）替代高斯混合模型来建模声学特征，识别错误率大幅下降，确立了基于深度学习的现代语音识别范式。此后，循环神经网络、注意力机制和 Transformer 相继被引入，出现了 CTC、RNN-Transducer、Conformer 等端到端模型，不再需要多个单独设计的组件。

大模型时代：2022 年 OpenAI 开源的 Whisper，在 68 万小时的多语言数据上训练，对口音、噪声和专业术语都有很好的鲁棒性。如今的语音大模型还能按指令调整输出风格、区分说话人、加时间戳，甚至边听边转写。

仍然存在的挑战

方言和口音、嘈杂环境、多人同时说话、专业领域术语、中英文夹杂、低资源的小语种，都是 ASR 仍在攻克的难点。评测通常用词错率（WER）或中文的字错率（CER）。实时场景还要兼顾延迟，用户说完话后要尽快看到文字。