原文出自《互聯(lián)網(wǎng)周刊》

web2.0時(shí)代告別簡(jiǎn)單搜索時(shí)代

娛樂化生活、web2.0時(shí)代，簡(jiǎn)單的搜索早已不能滿足我們的需求，我們正急于迎接一場(chǎng)搜索理念的變革，一個(gè)全新搜索時(shí)代的到來。

小琦在收音機(jī)里偶然聽到一首動(dòng)人的歌曲，但是主持人并沒有報(bào)出這首歌的名字，于是他馬上抄筆記下歌詞，希望通過網(wǎng)絡(luò)搜索獲得這首歌的信息，在百度(企業(yè)庫 論壇)的歌詞搜索里輸入這句歌詞后，他很快得到了想要的結(jié)果。

關(guān)于通過音頻內(nèi)容文字來搜索音頻的概念，我們很快會(huì)聯(lián)想(企業(yè)庫 論壇)到如小琦一樣的搜索經(jīng)驗(yàn)，似乎將音頻與文字掛鉤的技術(shù)早已不算是什么新鮮玩意，那么為什么日本產(chǎn)業(yè)技術(shù)綜合研究所日前發(fā)布的一個(gè)音頻搜索網(wǎng)站會(huì)得到業(yè)界如此廣泛的關(guān)注呢？

不僅僅是歌曲

同樣是小琦，這次當(dāng)他想通過在節(jié)目里聽到的字句來搜索一段相聲的時(shí)候卻出了問題，搜索答案五花八門，卻找不到他想要的。

通常，我們使用最多的音頻搜索都是針對(duì)于某一首歌曲的搜索，而它的歌詞與歌曲的發(fā)布往往是同步的，整合這些數(shù)據(jù)并不需要多大的技術(shù)支持，因?yàn)檫@些內(nèi)容都已經(jīng)是現(xiàn)成的。然而除了歌曲，官方的一些朗誦、彩鈴、評(píng)書、對(duì)白等作品，以及隨著web2.0時(shí)代的到來，網(wǎng)絡(luò)上涌現(xiàn)的大量草根族作品，如一段用錄音筆隨手錄下的講話、自我娛樂的博客音頻等等，各種以聲音為載體的信息也都通過網(wǎng)絡(luò)這種渠道傳播開來。如何在這樣浩繁的數(shù)據(jù)庫里查找所需的片斷，成為困擾互聯(lián)網(wǎng)搜索的難題。我們會(huì)通過其他的渠道如電視、廣播等獲得相關(guān)的信息，當(dāng)我們被某一個(gè)信息吸引的時(shí)候，我們就有了獲得它本身甚至更多邊緣信息的需要。如果我們手里只掌握這個(gè)音頻本身內(nèi)容中的若干字句，沒有它的名字、作者，乃至更多的信息，怎么搜到我們想要的？于是我們發(fā)現(xiàn)，尋常意義上的簡(jiǎn)單音頻搜索已很難滿足我們的需求了。

除了那些本身已有歌詞文字可考的歌曲文件，更多的聲音文件需要有一個(gè)后臺(tái)將他們的內(nèi)容轉(zhuǎn)化為文字，方便用戶的搜索操作。于是日本的這個(gè)名為Podcastle的網(wǎng)站經(jīng)過多年探索，終于在6月上線，真正實(shí)現(xiàn)了通過內(nèi)容文字進(jìn)行音頻搜索。這項(xiàng)服務(wù)采用聲音識(shí)別技術(shù)，將聲音數(shù)據(jù)全部自動(dòng)轉(zhuǎn)換成文字，收集到數(shù)據(jù)庫中，使人們方便地進(jìn)行音頻檢索。比如在網(wǎng)站搜索欄中輸入日文“”，就能搜索到出現(xiàn)“”這個(gè)字的音頻資料。

前人的腳印

其實(shí)早在一年前，波士頓初創(chuàng)公司EveryZing便推出了一款與前者設(shè)計(jì)原理異曲同工的視頻和音頻搜索引擎——PodZinger，這是一款播客搜索引擎，它采用了BBN技術(shù)公司開發(fā)的一種語言系統(tǒng)，可將音頻內(nèi)容轉(zhuǎn)換成文本，而且準(zhǔn)確率在80％以上，足以體現(xiàn)音頻的主要內(nèi)容，能指導(dǎo)用戶迅速在文件中找到某個(gè)搜索目標(biāo)詞出現(xiàn)的地方，并總結(jié)出音頻內(nèi)容的核心意思。

之前《互聯(lián)網(wǎng)視頻革命的第一槍》這篇文章曾對(duì)PodZinger的強(qiáng)大功能作過闡述，Podzinger可以在網(wǎng)絡(luò)上抓取視頻、音頻文件，利用語音識(shí)別技術(shù)深入分析其文件內(nèi)容，根據(jù)用戶搜索需求提交相應(yīng)結(jié)果。它有一種軟件能夠“聽”視頻文件中的語音，并轉(zhuǎn)換成可供搜索引擎使用的文本。搜索結(jié)果中的每個(gè)詞語都可以點(diǎn)開并載入音頻剪輯，在指定的詞匯點(diǎn)上開始播放。這無疑是一種革命性的突破。Podzinger的文本記錄對(duì)于搜索者而言遠(yuǎn)比傳統(tǒng)搜索引擎根據(jù)“元數(shù)據(jù)（Metadata）”搜索結(jié)果所顯示的音頻和視頻剪輯更具有相關(guān)性。

EveryZing公司首席執(zhí)行官Tom Wilde當(dāng)年也曾如此驕傲地介紹這款產(chǎn)品：這么高的準(zhǔn)確度可以帶來許多新搜索功能，比如提供視頻和音頻的完整文本，以及直接跳到話語中某個(gè)詞或者詞組被說出的位置。這項(xiàng)技術(shù)還可以讓公司提供與特定內(nèi)容有關(guān)的有針對(duì)性廣告，就好像Google推出的基于網(wǎng)頁中文本的廣告一樣。

語音識(shí)別的難題

語音識(shí)別這個(gè)概念，我們并不陌生，從孤立詞到大詞匯量連續(xù)語音的識(shí)別（LVCSR），再到語音庫檢索，語音識(shí)別技術(shù)一直在向前發(fā)展，只是語音識(shí)別似乎離我們還有些遙遠(yuǎn)。“今后5年內(nèi)，互聯(lián)網(wǎng)搜索將更多地通過語音來完成?！苯衲甑?月23日，比爾·蓋茨在美國(guó)卡內(nèi)基·梅隆大學(xué)發(fā)表演講說道，這已數(shù)不清是他第幾次在公開場(chǎng)合提及語音識(shí)別了。

對(duì)于中文而言，語音識(shí)別技術(shù)的實(shí)現(xiàn)較之英語面臨著更多的困難。當(dāng)南方人把“牛奶”念成“留來”的時(shí)候，究竟是機(jī)器識(shí)別錯(cuò)了，還是人錯(cuò)了？微軟中國(guó)研發(fā)集團(tuán)下屬微軟亞洲研究院語音識(shí)別組組長(zhǎng)宋言哥平提出過這樣一個(gè)問題。而不僅僅是南北口音的偏差，每個(gè)人都有獨(dú)有的發(fā)音習(xí)慣。這就造成了語音輸入很難規(guī)范的問題。其次，噪聲也是一種不可抗的難題?！斑@很好理解，機(jī)器無法像人那樣分辨出人聲和噪聲?！彼窝愿缙浇忉尩溃巴瑫r(shí)，不同場(chǎng)景有不同噪聲，訓(xùn)練的情況也不能匹配真實(shí)環(huán)境，這使語音識(shí)別在噪聲中比在安靜的環(huán)境下難得多?！?

克服這些難題尚需時(shí)日，這也是為何中文音頻搜索進(jìn)展緩慢的一個(gè)關(guān)鍵原因。如今日本的音頻搜索網(wǎng)站已經(jīng)上線，中國(guó)的用戶也期待著可以更快享受到這種先進(jìn)搜索技術(shù)帶來的更多便捷。

告別簡(jiǎn)單搜索時(shí)代

在信息瘋狂膨脹的年代，對(duì)于浩瀚信息中的有效資源搜索毫無疑問是相當(dāng)重要的。如今娛樂化風(fēng)潮的涌起，使信息的需求早已不是以往單純的純文本而已，而是更大規(guī)模地?cái)U(kuò)展到音頻、視頻領(lǐng)域。以往單純通過音頻、視頻文件的文本標(biāo)簽來搜索音頻、視頻文件已經(jīng)不足以滿足用戶的需求。

于是出現(xiàn)了這種通過將音視頻內(nèi)容轉(zhuǎn)換成文字的搜索方式。

然而在簡(jiǎn)單搜索之外，還不僅僅是這種運(yùn)用語音識(shí)別系統(tǒng)完成的搜索服務(wù)技術(shù)正在流行。當(dāng)文字搜索已經(jīng)發(fā)展到幾乎沒有上升空間的時(shí)候，微軟、Google這些技術(shù)巨頭也開始瞄準(zhǔn)未來的新一代搜索市場(chǎng)。今年的4月份，在北京舉行的國(guó)際萬維網(wǎng)大會(huì)上，兩位Google的工程師展示了下一代的圖片搜索。新的圖片搜索不再只是由圖片相關(guān)的文字來判斷圖片的內(nèi)容。Google將使用計(jì)算機(jī)分析圖片中的內(nèi)容，并關(guān)聯(lián)關(guān)鍵字的排名。實(shí)際上，這就相當(dāng)于圖片搜索中PageRank。

在早些時(shí)候，《互聯(lián)網(wǎng)周刊》上也報(bào)道過這樣的消息：新一代圖片搜索技術(shù)已經(jīng)可以像人一樣，“看”到一幅圖片的興趣中心，判別它是人物肖像照或是風(fēng)景照、攝于室內(nèi)還是戶外。甚至，在人的協(xié)助下，計(jì)算機(jī)還能夠在許多張合影中找尋到同一張人臉。這些聽起來不可思議的事情，已經(jīng)在微軟的實(shí)驗(yàn)室里變成了現(xiàn)實(shí)，甚至有些技術(shù)已應(yīng)用到部分產(chǎn)品當(dāng)中。

搜索技術(shù)已經(jīng)迎來了一個(gè)新的時(shí)代，在各種新型搜索服務(wù)的幫助下，我們的各種需求都將慢慢得到滿足?？萍迹谙蛑尤诵曰囊幻姘l(fā)展，一切，都在為人類生活得更好而努力著。