1952年，貝爾實(shí)驗(yàn)室（Bell Labs）制造一臺(tái)6英尺高自動(dòng)數(shù)字識(shí)別機(jī)“Audrey”,，它可以識(shí)別數(shù)字0～9的發(fā)音,，且準(zhǔn)確度高達(dá)90％以上。并且它對(duì)熟人的精準(zhǔn)度高,，而對(duì)陌生人則偏低,。

　　1956年，普林斯頓大學(xué)RCA實(shí)驗(yàn)室開(kāi)發(fā)了單音節(jié)詞識(shí)別系統(tǒng),，能夠識(shí)別特定人的十個(gè)單音節(jié)詞中所包含的不同音節(jié),。

　　1959年,，MIT的林肯實(shí)驗(yàn)室開(kāi)發(fā)了針對(duì)十個(gè)元音的非特定人語(yǔ)音識(shí)別系統(tǒng)。

　　二十世紀(jì)六十年代初,，東京無(wú)線電實(shí)驗(yàn)室,、京都大學(xué)和NEC實(shí)驗(yàn)室在語(yǔ)音識(shí)別領(lǐng)域取得了開(kāi)拓性的進(jìn)展，各自先后制作了能夠進(jìn)行語(yǔ)音識(shí)別的專用硬件,。

　　1964年的世界博覽會(huì)上,，IBM向世人展示了數(shù)字語(yǔ)音識(shí)別的“shoe box recognizer”。

　　二十世紀(jì)七十年代,，語(yǔ)音識(shí)別的研究取得了突破性的進(jìn)展,，研究重心仍然是孤立詞語(yǔ)語(yǔ)音識(shí)別。

　　1971年,，美國(guó)國(guó)防部研究所（Darpa）贊助了五年期限的語(yǔ)音理解研究項(xiàng)目,，希望將識(shí)別的單詞量提升到1000以上。參與該項(xiàng)目的公司和學(xué)術(shù)機(jī)構(gòu)包括IBM,、卡內(nèi)基梅隆大學(xué)（CMU）,、斯坦福研究院。就這樣,，Harpy在CMU誕生了,。不像之前的識(shí)別器，Harpy可以識(shí)別整句話,。

　　二十世紀(jì)八十年代,，NEC提出了二階動(dòng)態(tài)規(guī)劃算法，Bell實(shí)驗(yàn)室提出了分層構(gòu)造算法,，以及幀同步分層構(gòu)造算法等,。同時(shí)，連接詞和大詞匯量連續(xù)語(yǔ)音的識(shí)別得到了較大發(fā)展,，統(tǒng)計(jì)模型逐步取代模板匹配的方法,，隱馬爾科夫模型（HMM）成為語(yǔ)音識(shí)別系統(tǒng)的基礎(chǔ)模型。

　　八十年代中期,，IBM創(chuàng)造了一個(gè)語(yǔ)音控制的打字機(jī)—Tangora,，能夠處理大約20000單詞。IBM的研究就是基于隱形馬爾科夫鏈模型（hidden Markov model）,，在信號(hào)處理技術(shù)中加入統(tǒng)計(jì)信息,。這種方法使得在給定音素情況下，很有可能預(yù)測(cè)下一個(gè)因素,。

　　1984年,，IBM發(fā)布的語(yǔ)音識(shí)別系統(tǒng)在5000個(gè)詞匯量級(jí)上達(dá)到了95％的識(shí)別率。

　　1985年AT＆T貝爾實(shí)驗(yàn)室建造了第一個(gè)智能麥克風(fēng)系統(tǒng),，用來(lái)研究大室內(nèi)空間的聲源位置追蹤問(wèn)題,。

　　1987年開(kāi)始,，國(guó)家開(kāi)始執(zhí)行963計(jì)劃后，國(guó)家863智能計(jì)算機(jī)主題專家組為語(yǔ)音識(shí)別研究立項(xiàng),，每?jī)赡暌淮巍?/p>

　　1987年12月,，李開(kāi)復(fù)開(kāi)發(fā)出世界上第一個(gè)“非特定人連續(xù)語(yǔ)音識(shí)別系統(tǒng)”。

    1988年,，卡耐基梅隆大學(xué)結(jié)合矢量量化技術(shù)（VQ）,，用VQ／HMM方法開(kāi)發(fā)了世界上第一個(gè)非特定人大詞匯量連續(xù)語(yǔ)音識(shí)別系統(tǒng)SPHINX，能夠識(shí)別包括997個(gè)詞匯的4200個(gè)連續(xù)語(yǔ)句,。

　　同年,，清華大學(xué)和中科院聲學(xué)所在大詞庫(kù)漢語(yǔ)聽(tīng)寫(xiě)機(jī)的研制上取得了突破性進(jìn)展。

　　1990年,，聲龍發(fā)布了第一款消費(fèi)級(jí)語(yǔ)音識(shí)別產(chǎn)品Dragon Dictate,，價(jià)格高達(dá)9000美元。

　　1992年,，IBM引入了它的第一個(gè)聽(tīng)寫(xiě)系統(tǒng),，稱為“IBM Speech Server Series （ISSS）”。

　　1992年研發(fā)的Sphinx－II在同年美國(guó)國(guó)防部先進(jìn)技術(shù)研究計(jì)劃署（DARPA）資助的語(yǔ)音基準(zhǔn)評(píng)測(cè)中獲得了最高的識(shí)別準(zhǔn)確度,，這主要得益于其在高斯混合和馬爾可夫狀態(tài)層次上用栓連參數(shù)平衡了可訓(xùn)練性和高效性,。

　　1995年，Windows 95上首次搭載微軟SAPI,，它使應(yīng)用程序開(kāi)發(fā)者能夠在Windows上創(chuàng)建語(yǔ)音程序,。

　　1995年，AT＆T研究院的 Dave Ladd,， Chris Ramming,， Ken Rehor 以及 Curt Tuckey 在頭腦風(fēng)暴關(guān)于互聯(lián)網(wǎng)會(huì)如何改變電話應(yīng)用的時(shí)候，產(chǎn)生了一些新的想法：為什么不設(shè)計(jì)這樣一個(gè)系統(tǒng)來(lái)運(yùn)行一種可以解析某種語(yǔ)音標(biāo)記語(yǔ)言的語(yǔ)音瀏覽器,，用來(lái)把互聯(lián)網(wǎng)的內(nèi)容和服務(wù)提供到千家萬(wàn)戶的電話上,。于是，AT＆T就開(kāi)始“電話網(wǎng)絡(luò)項(xiàng)目”（Phone Web Project）,。之后,，Chris繼續(xù)留在AT＆T，Ken去了朗訊,，Dave和Curt去了摩托羅拉,。（1999年初的時(shí)候，他們分別在各自的公司邁出了語(yǔ)音標(biāo)記語(yǔ)言規(guī)范實(shí)質(zhì)性的第一步,。因?yàn)樗麄兊拿苡殃P(guān)系，這幾家公司合作成立了一個(gè)VoiceXML論壇組織,，IBM也作為一個(gè)創(chuàng)始公司加入了進(jìn)來(lái),。）

　　1997年IBM ViaVoice首個(gè)語(yǔ)音聽(tīng)寫(xiě)產(chǎn)品問(wèn)世,，你只要對(duì)著話筒喊出要輸入的字符，它就會(huì)自動(dòng)判斷并且?guī)湍爿斎胛淖?。次年又開(kāi)發(fā)出可以識(shí)別上海話,、廣東話和四川話等地方口音的語(yǔ)音識(shí)別系統(tǒng)ViaVoice’ 98。

　　1998年,，微軟在北京成立亞洲研究院,，將漢語(yǔ)語(yǔ)音識(shí)別納入重點(diǎn)研究方向之一。

　　2001年,，比爾蓋茨在美國(guó)消費(fèi)電子展上展示了一臺(tái)代號(hào)為MiPad的原型機(jī),。Mipad展現(xiàn)了語(yǔ)音多模態(tài)移動(dòng)設(shè)備的愿景。

　　2002年,，中科院自動(dòng)化所及其所屬模式科技公司推出了“天語(yǔ)”中文語(yǔ)音系列產(chǎn)品——Pattek ASR,，結(jié)束了該領(lǐng)域一直被國(guó)外公司壟斷的局面。

　　2002年,，美國(guó)國(guó)防部先進(jìn)技術(shù)研究計(jì)劃署（DARPA）首先啟動(dòng)了EARS項(xiàng)目和TIDES 項(xiàng)目,； 由于EARS項(xiàng)目過(guò)于敏感，EARS和TIDES兩個(gè)項(xiàng)目合并為“全球自主語(yǔ)言開(kāi)發(fā)”（Global Autonomous Language Exploitation,，GALE）,。GALE目標(biāo)是應(yīng)用計(jì)算機(jī)軟件技術(shù)對(duì)海量規(guī)模的多語(yǔ)言語(yǔ)音和文本進(jìn)行獲取、轉(zhuǎn)化,、分析和翻譯,。

　　2006年，辛頓（Hinton）提出深度置信網(wǎng)絡(luò)（DBN）,，促使了深度神經(jīng)網(wǎng)絡(luò)（Deep Neural Network,，DNN）研究的復(fù)蘇，掀起了深度學(xué)習(xí)的熱潮,。

　　2009年,，辛頓以及他的學(xué)生默罕默德（D． Mohamed）將深度神經(jīng)網(wǎng)絡(luò)應(yīng)用于語(yǔ)音的聲學(xué)建模，在小詞匯量連續(xù)語(yǔ)音識(shí)別數(shù)據(jù)庫(kù)TIMIT上獲得成功,。

　　2009年微軟Win7集成語(yǔ)音功能,。

　　2010年Google Vioce Action支持語(yǔ)音操作與搜索。

　　2011年初,，微軟的DNN模型在語(yǔ)音搜索任務(wù)上獲得成功,。

　　同年科大訊飛將DNN 首次成功應(yīng)用到中文語(yǔ)音識(shí)別領(lǐng)域，并通過(guò)語(yǔ)音云平臺(tái)提供給廣大開(kāi)發(fā)者使用,。

　　2011年10月,，蘋(píng)果iPhone 4S發(fā)布，個(gè)人手機(jī)助理Siri誕生,，人機(jī)交互翻開(kāi)新篇章,。

　　2012年,，科大訊飛在語(yǔ)音合成領(lǐng)域首創(chuàng)RBM技術(shù)。

　　2012年,，谷歌的智能語(yǔ)音助手Google Now 的形式出現(xiàn)在眾人面前,，用在安卓 4．1 和 Nexus 手機(jī)上。

　　2013年,，Google發(fā)布Google Glass,，蘋(píng)果也加大了對(duì)iWatch的研發(fā)投入，穿戴式語(yǔ)音交互設(shè)備成為新熱點(diǎn),。

　　同年,，科大訊飛在語(yǔ)種識(shí)別領(lǐng)域首創(chuàng)BN－ivec技術(shù)。

　　2014 年,，思必馳推出首個(gè)可實(shí)時(shí)轉(zhuǎn)錄的語(yǔ)音輸入板,。

　　2014年11月，亞馬遜智能音箱Echo發(fā)布,。

　　2015 年,，思必馳推出首個(gè)可智能打斷糾正的語(yǔ)音技術(shù)。

　　2016年,，Google Assistant伴隨Google Home 正式亮相,，搶奪亞馬遜智能音箱市場(chǎng)。（亞馬遜Echo在2016年的智能音箱市場(chǎng)占有率達(dá)到了巔峰的88％）

　　同年,，科大訊飛上線DFCNN（深度全序列卷積神經(jīng)網(wǎng)絡(luò),，Deep Fully Convolutional Neural Network）語(yǔ)音識(shí)別系統(tǒng)。

　　同年11月,，科大訊飛,、搜狗、百度先后召開(kāi)發(fā)布會(huì),，對(duì)外公布語(yǔ)音識(shí)別準(zhǔn)確率均達(dá)到“97％”,。

　　2017年3月，IBM結(jié)合了 LSTM 模型和帶有 3 個(gè)強(qiáng)聲學(xué)模型的 WaveNet 語(yǔ)言模型,?！凹袛U(kuò)展深度學(xué)習(xí)應(yīng)用技術(shù)終于取得了 5．5％ 詞錯(cuò)率的突破”。相對(duì)應(yīng)的是去年5月的6．9％,。

　　2017年8月,，微軟發(fā)布新的里程碑，通過(guò)改進(jìn)微軟語(yǔ)音識(shí)別系統(tǒng)中基于神經(jīng)網(wǎng)絡(luò)的聽(tīng)覺(jué)和語(yǔ)言模型,，在去年基礎(chǔ)上降低了大約12％的出錯(cuò)率,，詞錯(cuò)率為5．1％，聲稱超過(guò)專業(yè)速記員。相對(duì)應(yīng)的是去年10月的5．9％,，聲稱超過(guò)人類,。

　　2017年12月，谷歌發(fā)布全新端到端語(yǔ)音識(shí)別系統(tǒng)（State－of－the－art Speech Recognition With Sequence－to－Sequence Models）,，詞錯(cuò)率降低至5．6％。相對(duì)于強(qiáng)大的傳統(tǒng)系統(tǒng)有 16％ 的性能提升,。

　　市場(chǎng)分析公司Canalys在2018年1月分布一份報(bào)告,，其預(yù)測(cè)2018年將是普及智能音箱的“決定性一年”，相比全年出貨量剛過(guò)3000萬(wàn)臺(tái)的2017年,，2018年智能音箱全球出貨量預(yù)計(jì)將達(dá)到5630萬(wàn)臺(tái),。

　　中投顧問(wèn)發(fā)布的《2018－2022年中國(guó)智能語(yǔ)音行業(yè)深度調(diào)研及投資前景預(yù)測(cè)報(bào)告》顯示我國(guó)智能語(yǔ)音市場(chǎng)整體處于啟動(dòng)期，智能車載,，智能家居,，智能可穿戴等垂直領(lǐng)域處于爆發(fā)前夜。

　　文章引用

　?。?］ 李曉雪． 基于麥克風(fēng)陣列的語(yǔ)音增強(qiáng)與識(shí)別研究［D］． 浙江大學(xué),， 2010．

　　［2］ 倪崇嘉,， 劉文舉,， 徐波． 漢語(yǔ)大詞匯量連續(xù)語(yǔ)音識(shí)別系統(tǒng)研究進(jìn)展［J］． 中文信息學(xué)報(bào)， 2009,， 23（1）：112－123．

　?。?］ 高朝煌． 非特定人漢語(yǔ)連續(xù)數(shù)字語(yǔ)音識(shí)別系統(tǒng)的研究與實(shí)現(xiàn)［D］． 西安電子科技大學(xué)， 2011．

　?。?］ 《2017年的語(yǔ)音識(shí)別,，路只走了一半》

　　［5］ 《2018－2022年國(guó)內(nèi)外智能語(yǔ)音發(fā)展的分析》

　?。?］ 《四十年的難題與榮耀—從歷史視角看語(yǔ)音識(shí)別發(fā)展》

　?。?］ 《幾個(gè)常見(jiàn)的語(yǔ)音交互平臺(tái)的簡(jiǎn)介和比較》

　　［8］ 《VoiceXML簡(jiǎn)介》

　?。?］ 《思必馳官方介紹資料》