2012年，微信团队悄悄开始投入语音系统的研究。不过，当时的尝试也仅仅是“谨慎”地上线了个语音提醒的公众号，并未过多发挥。

直到2013年，微信推出的语音输入在业界获得了巨大成功，随后在2014年，正式上线了语音转文字功能。有意思的是，如此实用的功能，入口却被微信“藏”的极深，但用户量越来越多。

你发现了吗?语音输入是在附加菜单里，语音转文字必须长按语音消息才能看到。

微信团队解释说，微信每一个接口和功能都是极为“克制”的，所有的设计都是跟随用户实际需求，而非炫耀技术。入口藏的深一点，可以避免骚扰那些不需要使用该功能的用户。

微信采用了深度学习法并迎难而上

回到技术——

首先，微信采用了深度学习法。简单而言，语音识别系统的输入是语音，输出的是汉字，机器要学习从语音到语言的映射关系。

先说语音，我们要教会微信怎么听。人的发声从声带的震动，要经过声道，口腔，受到其中很多肌肉组织运动的影响，类似原始信号要经过复杂函数的变换，深度学习框架由于具有多层结构，能很好的模拟这种复杂函数。

再说语言，我们要教会微信怎么懂。通常我们说的话是要符合句法的(组合性)，而且要符合搭配习惯(因果性)，我们要让机器学习到这种规律。其中的难点是词义，比如“知道”和“了解”读音截然不同，但词义有时是差不多的。

“研表究明，汉字的序顺不影阅响读。”

“比如当看你完这话句后，会发这现里的字全是都乱的。 ”

你看，很多时候，我们可能不会百分百听清楚一句话，但是我们还是能够根据语境和词语的组合发音方式明白它的意思。

机器深度学习的方式模仿了人类大脑的神经元，当处理的语言越来越多时，这种网络就可以逐渐理解语言。简单点说，语音识别系统就好比一个人学一门语言，同等聪明的情况下，听到的话(训练数据)越多，越容易识别出好的结果。

微信采用深度学习技术，并且微信拥有庞大的用户基础，有天然的语音交互场景，也拥有大量的语音资源积累，这也成为微信语音交互技术迅速发展的重要原因之一。

同时，疯狂的技术团队一直在知难而上。

除了深度学习以外，微信还做过哪些努力让语音识别更好用呢?微信语音识别团队一口气举了太多例子，小派深思熟虑后，挑了自己能听懂的来说……

比如，针对口语风格(比如电话)下的性能问题，微信采用了一个良好的分段断句引擎，融合了音频属性，说话人以及部分语义信息，能够良好的断句;

为克服噪声的影响，微信通过模拟真实场景的算法，可以把过去的无噪数据转换成包含多种不同场景噪声数据，让模型在学习内容的同时也学习到了不同的环境干扰。

对大数据下的难题，由于每个用户个体的声音都不一样，通用模型的长尾问题是导致错误发生的重要原因。微信不拘一格，通过算法让声学模型在学习的过程中将说话人的信息抹去，这样的做法也对提升识别率有了一定的帮助。

随着微信的语音识别技术不断发展。当识别率越高，就越能给实际场景运用中的用户带来更好体验，甚至会彻底改变玩法，也让用户对语音的依赖大大提升。

未来，微信将直接和你聊天

等AI能真正听懂了，对话还会远吗?

开头那些科幻电影里的人机语音交互场景，已经看得见摸得着。

正如人有五感一样，手机也有相应的图像识别、语音识别、NFC通讯等等“感官”。尤其语音作为一个重要的入口，苹果的siri、微软的cortana、google now等等应用纷至沓来。

很多人都没留意到，去年底，微信团队和香港科技大学宣布成立人工智能联合实验室，研究的主要方向是:数据挖掘、机器人对话、机器视觉、语音识别。有庞大的用户基础，有天然的语音交互场景，如果将不断智能化的语音助手作为微信的入口之一，微信的生态会进一步进化。

智能家居、互联网汽车、智慧医疗、在线教育、自动电话客服、机器同声传译等等领域都将充斥着语音交互技术。想象一下，当你不仅仅可以语音聊天及输入，而是可以告诉你的闹钟晚个10分钟再叫，用语音搜索要去吃饭的餐厅，或者开车的时候随口发个短信或者邮件。甚至，你的机器人助手完全可以听明白你随口说的每一句话，像一个拥有智慧的人一样跟你互动，那会是多么让人激动的事情。

这一切必将发生在未来，也许就是不久的未来。 (来源：微信派)