Dragon Dictate 语音识别软件

是什么

Dragon Dictate 是第一款面向消费者的语音识别产品，由 Dragon Systems 在 1990 年推出，售价 9000 美元^[1]。它的设想说起来简单、做起来极难：人对着机器说话，机器把说的话写成文字，于是一份文档靠嘴而不是靠键盘完成。

它所处的「不连续听写」时代

更早的语音识别程序都采用不连续听写（discontinuous dictation），也就是使用者每说完一个词就必须停顿一下^[1]。机器一次只处理一个词，不需要从连续的声音里判断一个词到哪里结束、下一个词从哪里开始。这样简化换来的代价是速度：听写变成说一句、停一下的缓慢过程。

机器语音识别的研究在实验室里已经进行了很久。20 世纪 80 年代，IBM 做出了一台名为 Tangora 的声控打字机，词汇量为 20000 个词^[1]。IBM 的方法基于隐马尔可夫模型（hidden Markov model），把统计方法带进了数字信号处理^[1]。它并不为每个音手工编写识别规则，而是把收到的声音当成证据，用概率估计最可能产生这段声音的那串音和词。

走向连续语音

对真正要写文档的人来说，最重要的变化发生在 1997 年：Dragon NaturallySpeaking 作为第一款连续语音识别产品出现^[1]。连续识别意味着说话人不再每词一停，软件必须自己在正常的连续语流中找出词与词的分界。NaturallySpeaking 每分钟可以识别 100 个词^[1]。Nuance Communications 高级副总裁 Peter Mahoney 说，Dragon 是连续语音识别的先驱，让实用的语音识别真正可以用于撰写文档^[1]。

在发展中的位置

Dragon Dictate 标志着一个转折：语音识别不再只是实验室里的题目，而成了顾客可以买到的商品^[1]。9000 美元的定价远远超出日常购买的范围，所以它更像是给那些能说清这笔开销的人与机构使用的工具，而不是大众消费品。但它定下了方向——一套能把口述变成可编辑、可打印文字的系統。1990 年还留着的两个问题，每词一停和输入速度有限，正是后来的连续识别所针对的^[1]。

从这个角度看，这款产品的意义不在于它本身有多完善，而在于它把一条路开了出来。Tangora 的词汇量、隐马尔可夫模型的统计方法、Dragon Dictate 把它做成商品，指向的是同一个目标：让机器听懂人说的话，再还给你一份文档^[1]。