语音识别是怎么从规则走到统计的？隐马尔可夫的二十年

今天对着手机说一句话，语音助手就能听懂并给出回答，这件事在技术史上走了五十年。前二十年靠语言学家手写规则，进展有限；1970 到 1990 年代，统计方法一步步接管这个领域，让 AI 听懂人话从实验室演示变成了可用产品。这篇按公开记录梳理这条路线的转折：规则路线的来路，IBM 与卡内基梅隆大学各自的打法，以及隐马尔可夫模型如何用二十年坐上主流位置。

规则路线的来路

语音识别在 1950 到 1960 年代就有零星演示，多依赖人工设计的规则与词典：先把声音切成音段，再对照手工编写的语音规则判断说了什么。这类系统在受限场景下能跑，词表一小、说话人一换就失灵。1971 年，美国国防高级研究计划局启动了一个为期多年的语音理解研究计划，公开目标是让系统在较大词表、连续说话的条件下工作，多个高校实验室参与其中，卡内基梅隆大学的系统在结项评测中表现靠前。但按后来公开的总结，这一阶段的成果与预期仍有距离，靠堆规则换准确率的路线碰到了天花板。

IBM 的信息论路线

在约克敦高地的 IBM 研究中心，弗雷德里克·杰利内克带队走了另一条路：把语音识别当通信问题来解。这条思路的源头可以追到香农的信息论（见香农一篇）——说话是一个信息源，声音是经过信道失真的信号，识别等于从失真信号里还原最可能的原始句子。团队用声学模型加语言模型的组合做概率解码，用大量真实语料统计参数，取代人工规则。杰利内克那句常被引用的调侃——「每解雇一名语言学家，识别器的性能就上升一截」——在公开文献里流传甚广，原话的精确措辞以公开资料为准。1980 年代，IBM 按公开资料做出过支持较大词表听写任务的原型系统。

隐马尔可夫的二十年上坡路

统计路线的数学核心是隐马尔可夫模型：把语音看作一条隐藏状态序列（音素在变），可观测的只是声音特征，识别就是给观测序列找出最可能的隐藏序列。这一方法在 1970 年代中期由卡内基梅隆大学的詹姆斯·贝克与 IBM 团队分别在公开论文里引入语音识别，贝克的博士论文是常被引用的早期节点。此后二十年，HMM 加高斯混合模型的组合逐步吃下主流：模型参数从语料里自动统计，换语言、换说话人主要靠换数据，不再靠重写规则。1990 年代，商用听写产品上市，统计方法完成对规则路线的替代。速查表如下：

1971 年，DARPA 语音理解研究计划启动；1970 年代中期，贝克在 CMU 的博士论文将隐马尔可夫方法引入语音识别；同期 IBM 杰利内克团队确立声学加语言模型的统计框架；1980 年代，统计系统词表持续扩大，原型走向工程化；1990 年代，HMM 成为行业标准，商用听写产品上市；2010 年代，深度学习模型接棒，统计框架退居配套。

统计方法赢在哪里

回头看，这场替代的胜负手与后来深度学习取代旧方法的剧本高度相似：手工规则贵在人力、弱在覆盖，数据驱动的模型吃语料、能扩展。规则系统在受限演示里可以很漂亮，却在真实世界的多样性面前失守——这与同期专家系统（见专家系统一篇）的命运互为镜像，也与神经网络在两次低谷里的处境（见AI 寒冬一篇）构成一组对照：谁掌握了数据与自动化的学习机制，谁就接过了主干。2012 年之后 ImageNet 竞赛（见ImageNet 竞赛一篇）确立的深度学习路线席卷语音，端到端模型把 HMM 降为历史注脚，但「用数据说话」这条原则，正是统计时代留下的遗产。

与今天的语音助手

今天你用豆包查一个词的读音、用腾讯元宝语音提问，语音链路的前端仍建立在「声学特征加语言模型」这套框架的延长线上，只是各环节都换成了神经网络。当你说的话被准确转成文字再交给大模型处理，这条 1970 年代定下的「概率解码」思路仍在服务每一次对话。下次对着 AI 应用开口说话时，值得想到这段历史：让机器听懂人话，靠的是半个世纪前一次从写规则到算概率的路线切换。

关于语音识别统计时代的三问三答

• 统计方法怎么取代规则的？用声学模型加语言模型做概率解码，参数从大量语料里自动统计，覆盖真实世界的多样性，逐步替代手工规则。
• 隐马尔可夫模型在其中的位置？1970 年代中期引入语音识别，此后二十年与高斯混合模型组合成为行业标准方法。
• IBM 与 CMU 是竞争关系吗？公开记录里两家各自推进统计路线，方法同源、阵地不同，多在 DARPA 资助的评测框架下同场比较。