自动语音识别
我不知道
是否看懂了你的意思：如果看懂了，它就存在于
你声音的词语波纹上，
像溪流中的暮色一样朦胧。
——Thomas Lovell Beddoes，1851
理解口语，或者至少把口语中的词转写成文字，是计算机语言处理最早的目标之一。事实上，语音处理比计算机早了几十年！第一台能够识别语音的机器是 20 世纪 20 年代的一件玩具。“Radio Rex”（图右）是一只胶木狗；当 500 Hz 的声能释放弹簧时，它就会移动。500 Hz 大致是 “Rex” 中元音 [eh] 的第一个共振峰，因此 Rex 看起来就像是在听到呼唤时跑过来（David, Jr. and Selfridge, 1962）。
在现代，我们对自动系统的期待更高。自动语音识别（automatic speech recognition，ASR）的任务是把如下波形：
映射为恰当的词串：
It’s time for lunch!
让任何说话人在任何环境下的语音都能自动转写，仍然远未解决；但 ASR 技术已经成熟到足以支持许多实际任务。语音是与电器、数字助手或聊天机器人交流的自然界面，尤其是在手机上，因为手机键盘不那么方便。ASR 也适用于一般转写，例如自动为音频或视频文本生成字幕（转写电影、视频或实时讨论）。转写在法律等领域很重要，因为口述发挥着重要作用。最后，ASR 还是辅助交流的一部分：它帮助那些因残障而难以或无法打字、听声音的人与计算机互动。盲人 Milton 曾把《失乐园》口述给女儿，Henry James 则在患重复性劳损后口述了晚年的小说。
接下来的章节将介绍 ASR 任务的不同目标，描述声学特征如何提取，并介绍语音识别任务中通常用作初始层的卷积神经网络架构。
随后将介绍两类 ASR 方法。第一类是编码器—解码器范式，我们将介绍基于注意力的编码器—解码器基线算法，它有时在早期实现之后被称为 Listen Attend and Spell。还将介绍更先进的编码器—解码器系统：OpenAI 的 Whisper 系统（Radford et al., 2023），以及一个采用相同架构的开放系统 OWSM（Open Whisper-style Speech Model，开放 Whisper 风格语音模型）（Peng et al., 2023）。（这些模型还有包括翻译在内的其他能力，稍后会讨论。）第二类是使用自监督语音模型（有时称为 SSL，即 self-supervised learning），如 Wav2Vec2.0 或 HuBERT。这些编码器学习语音的抽象表示，并可以与 CTC 损失函数结合进行解码，从而用于 ASR。
最后，我们将介绍评估 ASR 的标准词错误率指标。