语音识别：80% 准确率上限

语音识别准确率为何停滞在 80%

语音识别系统在 1999 年达到了准确率的巅峰，此后再无进步。2006 年的学术测试显示：通用模型无法超过 80% 的准确率，而人类则能达到 96–98%。单纯的声学信号不足以解码文本——这是主要障碍。

媒体研究所的罗伯特·福特纳教授指出这一僵局：开发者已耗尽基于纯声学的所有可能性。人类语言需要理解语义、上下文和语法，而这些是标准算法无法触及的。

语言复杂性的规模

一种语言中可能句子的数量估计达 10^570——这个数字超出了任何数据语料库的范畴。即使扫描所有人类文本，也无法覆盖其变异性。

词义歧义加剧了问题：一个词可能有数百种含义，由上下文、语调或面部表情决定。大脑使用功能语法和语义范式来进行生成和理解。

• 功能语法：通过功能元素定义允许的词组合。
• 语义范式：一个词的含义取决于前一个词和整体上下文。
• 上下文识别：大脑从片段中重构短语，依赖于预期。

将这些规则形式化给计算机仍未解决。没有语法解析器和语义词典，系统在新结构上就会出错。

以俄语介词“when”为例：语言学家已识别出数百种含义，每种都有独特的后续元素组合。完整列表无法实现，甚至有会议专门讨论单个语素如“by”的语法。

自学习与语言演变的挑战

每个语素（前缀、后缀、介词）都需要详细的范式。语言在演变，使得静态模型过时。如何让系统实现自学习？

谷歌对网络文本的分析揭示了万亿个独特对象——这仅是语素空间的一小部分。公司发布了 24 GB 归档并搁置了该项目。

微软的 MindNet（1991 年至 2005 年）旨在构建词关系通用解析器。尽管投入大量资源，该项目在无突破的情况下关闭。

要点

• 语音识别准确率卡在 80%，原因是语义歧义和缺乏形式化语法。
• 单纯声学不足：需要上下文、语调和面部表情来化解歧义。
• 任务规模——10^570 个句子和演变的语素范式——超出了数据语料库的能力。
• MindNet 等项目失败，需要新范式：通用功能语法，并有语言学家参与。

突破前景

解决方案在于为所有语言形式化单一功能语法。这涉及：

• 语素及其范式的完整清单。
• 上下文依赖建模。
• 语言演变的自学习机制。

没有语言学基础，算法将停留在当前水平。开发者必须从统计模型转向对语言结构的深刻理解。

— Editorial Team