信息图:从搜索词到关闭页面的五个判断节点,标出可以停下来的位置
语音先转成音,再猜成字

本文说明语音识别的一般机制,不涉及任何具体设备或服务,也不评价任何识别结果。

语音识别先做什么

它先把声音切成音素,再把音素拼成可能的词,最后用语言模型在几种候选里挑一个最像人话的。整个过程里,声音只提供发音,不提供字形。所以同音的两个词在机器听来完全一样,决定结果的是上下文概率,而不是你想说哪一个。还有一层:识别结果通常会自动加上标点,而这些标点是模型根据停顿与句式猜的,不是你念出来的。它让句子更像书面语,也让错误更不容易被发现——因为读起来太顺了。

断句为什么会丢

说话时几乎不会把顿号念出来。停顿长短、语气轻重,才是人判断断句的依据,而这两项在转写时容易被抹平。于是“海角社区、服务”可能被写成一个连续的词,也可能被切成“海角/社区服务”。断句一变,搜索时的匹配方式就跟着变。这也解释了为什么短词更容易出错:上下文越少,语言模型能参考的线索越少,只能退回到最常见的搭配。词越短,同音替换的概率越高。

同音替换最常出现在哪

多出现在专有名词和虚词上。前者因为没有固定词形,模型只能按常见搭配猜;后者因为读音轻,容易被吞掉或合并。结果是句子里混进一个意思完全不同、但读音相近的字,而整句读起来仍然通顺,于是错误很难被自己发现。专有名词还有一类特殊错误:被替换成一个读音相近、但更常见的完整词,而不是单字错。这种错误在句子里毫无违和感,只有对照原词才能发现。

识别结果里哪些部分最不可靠

三类最值得复核:数字、专有名词、以及标点。数字常被写成同音的另一个数,专有名词常被替换成更常见的词,标点则取决于停顿,几乎每次都不一样。与其整句重读,不如只盯这三处,核对成本最低。另外要留意“的、地、得”与“在、再”这类虚词,它们读音接近,被替换后句子依然通顺,却会改变语义。核对时不妨专门扫一遍这几组。

四步用好语音搜索

  1. 01先说完整句,再补关键词,避免中途停顿。
  2. 02说完立刻看一遍文字,重点核对数字与名称。
  3. 03发现替换就手动改字,不要靠再说一遍。
  4. 04词比较短时,直接打字更快。

四种用语音搜索的坏习惯

  • 说完不看结果,直接按搜索。
  • 在嘈杂环境里反复重说,越说越乱。
  • 把一句话拆成几个词分别说,断句更容易丢。
  • 相信自动补全的候选,不再核对。

常见问题

为什么语音搜索的结果和打字不同

因为送进搜索框的字可能已经变了。少一个顿号、多一个同音字,都会改变切分与匹配。要验证,把识别出的文字复制出来,和你想打的那串字逐字对比,差异通常一眼就能看到。

方言口音会影响识别吗

会,但影响的方式不是“听不懂”,而是“听成了另一个常见的词”。所以带口音时,错误往往更像本地常用词,而不是乱码。这类替换更难自查,建议短词直接打字。

语音是输入方式,不是搜索方式

它只改变了你怎么把字送进搜索框,没有改变搜索本身。理解这一点,你就会在说完之后多看一眼文字,而不是把识别结果当成自己说过的话。