刺猬公社 6小时前
被微信弄丢的“牛老师”
index_new5.html
../../../zaker_core/zaker_tpl_static/wap/tpl_font3.html

 

为什么我的微信语音识别不出 " 牛老师 "?

文|陈梅希

编|园长

故事始于一个坚信自己说 " 标准普通话 " 的东北人。那是一个普通的下午,一个普通的东北人发了一条普通的微信语音,内容是 " 我去找牛老师玩了 "。

很可惜,微信将他口中的牛老师识别成了刘老师,在一个对普通话口音非常自信的东北人眼中,这无疑是一种挑衅。由于微信之父张小龙是湖南人,于是我们试图幻想,微信是不是也传承了某种乡音。(湖南方言不分鼻边音,很多湖南人在切换到普通话时,都会碰到 LN 不分的挑战,这里仅作事实陈述,没有要地狱黑的意思。)

如果微信真的能拥有祖籍和乡音就好了,这样它也将拥有乡愁,并且看在老乡的情面上,给同样祖籍湖南的刺猬公社更多推荐流量。

感谢九年制义务教育,我们显然不会真的认为,一个由代码组成的互联网产品能继承创始人的口音。所以回到现实世界,真正的问题在于,人耳听起来非常标准的 " 牛老师 " 语音,为什么会被微信识别成 " 刘老师 "?分不清鼻边音的,到底是哪个环节?

我们做了几组测试,来逼近问题的答案。微信会弄丢 " 牛老师 ",首先与发音标准度无关。

我邀请六位同事用微信给我发送 " 牛老师 " 语音,他们来自六个不同省份,每一句在转文字时都被识别成了 " 刘老师 "。为排除发音干扰,我用 TTS(Text To Speech)生成 " 牛老师 " 的音频文件,再反向发送到微信,结果依然被识别为 " 刘老师 "。

随后,我找到了更直接的证据:使用微信的语音输入功能," 牛老师 " 起初可以被准确识别出来,但很快会被强行修正为 " 刘老师 "。

显然,微信在第一时间可以识别出 " 刘 " 和 " 牛 " 在发音上的区别,但在后置的修订环节,却因为其他原因推翻了原本的声学判定。我尝试加重、拖长 " 牛 " 字的发音,或者把 " 牛老师 " 放在更长的上下文语境中," 牛老师 " 都会在被识别出后快速改写为 " 刘老师 "。

在汉语发音中,鼻音 N 和边音 L 是很常见的一组易混淆音。N 和 L 在发音时,口腔开合度和舌头位置都很接近,最大差异在于送气通道:发鼻音 N 时,气流从鼻腔流出;发边音 L 时,气流则从舌侧流出。感受送气通道有个很简单的方式,那就是把鼻子捏住之后,鼻音 N 无法发出,而边音 L 可以正常发出。

离开学校太久,我对那些将将及格的语言学课程实在记忆模糊,只剩下大大的疑惑:难道 AI 也 LN 不分?

但很快,我发现这个问题是微信独有的,市面上的大部分语音识别产品,都能明确分辨出 " 牛老师 " 和 " 刘老师 "。我分别用豆包、Kimi、DeepSeek、千问等多款 AI 产品,及抖音、快手、小红书等产品的私信功能进行测试,结果显示,不管是独立的 " 牛老师 ",还是拥有上下文的 " 你能分清楚牛老师和刘老师吗 ",语音转文字的识别准确率都是 100%。

上图为抖音;下图为快手

当我将测试范围扩大到整个编辑部,更有意思的现象出现了:有些人的微信会将所有 " 牛老师 " 识别成 " 刘老师 ",而另一部分人的微信则可以准确识别所有 " 牛老师 "。当这两拨人互相用语音发送 " 牛老师 " 后,同一条语音,会在他们各自的手机上被识别为 " 牛老师 " 和 " 刘老师 "。为了方便区分这两拨人,我们分别将他们称为有牛同事和无牛同事。

随后,手机型号的影响也被排除了,同一个手机,同一个微信 APP,登录账号不同,语音识别结果也不同。我们让有牛同事和无牛同事分别用对方手机登录微信,结果无牛同事在有牛手机登录后,依然盼不来 " 牛老师 ",而有牛同事则在无牛手机上召唤出了 " 牛老师 "。可谓命里有牛终须有,命里无牛莫强求,他们才是最应该喊 " 牛来 " 的人。

我们通过安卓手机的 " 应用分身 " 功能,在一台手机上同时登录两个微信账号,用无牛账号向有牛账号发送 " 牛老师 " 语音。同一条语音,在无牛账号的微信里被识别为 " 刘老师 ",而在有牛账号的微信里被识别为 " 牛老师 "。

同一台手机双开微信识别同一条语音,两个账号显示的结果不同

有识别问题的不止手机端微信。同一条语音,用同一台电脑登录同一个微信账号,版本更新前,微信电脑端可以准确识别出 " 牛老师 ";升级到最新版本后," 刘老师 " 又顶号了。

同一条语音,电脑端微信版本更新前

同一条语音,电脑端微信版本更新后

故事发展到这里,伴随着上百句此起彼伏的 " 牛老师 " 和 " 为啥呀 ",微信牛老师失踪疑云终于从编辑部闲聊的趣事,升级为一个值得认真探索的选题。

我们基本可以定位,微信在语音识别时,将发音准确的 " 牛老师 " 改写为错误的 " 刘老师 ",是一个在近几次版本更新中引入的问题,且这一问题与设备 ID 无关,与用户 ID 有关。

为了搞清楚微信到底是怎么弄丢牛老师的,我们设计了一套包含 35 条测试用例的实验方案,主要考察上下文和词频对于指牛为刘的影响。和之前的测试一样,我们将 35 条测试文案用 TTS 技术生成语音,减少人为发音制造的变量。

根据测试结果," 牛老师 "" 牛总 "" 牛队长 "" 牛医生 " 等常见称呼更容易在微信语音识别中被二次篡改为 " 刘老师 "" 刘总 "" 刘队长 "" 刘医生 ",而同样是姓氏 + 职业 / 称号的搭配," 牛同学 "" 牛律师 "" 牛部长 "" 牛厂长 " 则不会被二次篡改。

在语音实时识别中," 先出字再更改 " 是一种常见的现象。用户输入语音后,识别系统实时转译成文字,但获得更多语音信息后发现前面的转译结果有误,再回过头来修正错误结果。

举个更具体的例子,假设我现在就是一个语音实时识别系统,当我刚开始听到 "mian [ 2 ] yang [ 2 ] " 时,会先听写成更常见的 " 绵羊 ";但当听到更完整的语音 "mian [ 2 ] yang [ 2 ] wei [ 4 ] yu [ 2 ] si [ 4 ] chuan [ 4 ] sheng [ 3 ] ",我就会意识到前面听写错了,应该把 " 绵羊 " 改成 " 绵阳 "。

技术上,这个过程可能发生在两个环节,一个是解码过程中的回退修正,随着语音的连续输入不断修正识别结果;另一个是单独的后处理环节,即一段语音输入中断后,通过重打分(rescoring)修正已经产生的识别结果。

还是用绵羊那个案例。我听到 " 绵羊位于四川 " 时,就已经可以意识到绵羊这两个字选错了,虽然语音还没停,但我直接将文字改为 " 绵阳位于四川 ",同时继续识别后面的语音,这属于解码过程中的回退修正。而如果我先保留 " 绵羊位于四川省 ",直到语音输入有比较明显的停顿,才回过头重新调整整句话的内容,则说明修改发生在单独的重打分(rescoring)环节。

根据测试,我们可以推测微信丢失 " 牛老师 " 发生在 rescoring 环节。从 " 牛老师 " 到 " 刘老师 " 的识别跳变发生在语音输入第一次停顿后,也就是说,如果我的肺活量够大,一口气一直说下去,就可以让 " 牛老师 " 在我的微信识别结果里坚持更久。

在前置的声学识别已经准确识别出 " 牛老师 " 的情况下,rescoring 环节为什么会出现指牛为刘的情况?答案或许与近年来发展迅猛的大语言模型相关。

根据我对若干篇论文的粗浅学习,rescoring 环节会用语言模型对流式识别产生的 N-best 候选集文本进行重打分,把整句话调整为 " 更有可能正确 " 的版本,这是声学模型 + 独立语言模型模式;一些团队也在做 LLM 原生语音识别模型,让大语言模型深度参与更前置的识别环节,不再区分解码和后处理阶段。

大语言模型在 ASR ( 自动语音识别 ) 的深度应用,可以在整体上提升文本的准确率,但同时也可能引入一个问题:那些高频词,也就是更有概率被说出来的词,会在这套系统中占有一定优势。在整体准确率提升的欢呼下,一些近似低频词的识别问题是被遮蔽的。

听起来太枯燥了,让我们回到被遮蔽的 " 牛老师 "。

语音输入一句 " 牛老师 ",负责听的那个角色说我听出来了,用户说的是牛老师,但是要给三个可能的选项,那我就给 [ " 牛老师 "," 刘老师 "," 尤老师 " ] ,牛老师排第一;负责审的那个角色吃过一万吨中文语料,论出现频次,刘老师取得压倒性胜利,所以这个角色就想,咋可能呢,用户大概率是想说刘老师,我帮我同事改过来。

实际的技术方案显然不会这么简单,基于作为用户所能拿到的一切测试信息,我们只能将问题答案逼近到:微信当前使用的 ASR 在 rescoring 环节,会因为先验的词频问题,导致某些词被错误改写为更高频的近似词。例如 " 牛老师 " 会被识别成 " 刘老师 "," 张小农 " 会被识别为 " 张小龙 "。问题会在一部分微信账号上稳定复现,与设备无关,推测是新旧服务正在逐步切换导致的人群差异。

说起来,这对微信也不是什么大问题。微信失去牛老师,就像螃蟹失去自行车,海豹失去充气床。等等,由于大连的一只海豹非常喜欢在充气床上睡觉,所以充气床对海豹来说,可能比牛老师对微信更重要。

但对每一个被 Bug ( AKA feature ) 命中的牛老师来说,这意味着 TA 永远不能在微信对话框里,准确地把自己的称呼转成文字。学生和家长每发来一条带有 " 牛老师 " 的语音,牛老师就要改姓刘一次。

全国牛姓人口总数约为 220 万,根据教育部最新发布的统计公告,全国专任教师超过 1840 万人,简单计算一下,全国的牛老师大概有 2.9 万人。又因为我们正处于 " 老师 " 称谓的大膨胀时代,牛魔王来了都可能要被称一声 " 牛老师 ",算上膨胀系数,全国会被称为牛老师的,姑且算作 10 万人。跟全国的刘老师数量没法比,但也值得一声准确的称呼。

写到这里,突然觉得,自己是不是对微信的产品体验太苛刻了?

社交媒体上每天都飘荡着 " 前端被裁笑话 "。AI 真正成为生产力的一年,也是众多 APP 线上 Bug 频出的一年,文字对不齐、图标上下飘、字体大小不一、弹窗挡住按钮、底部导航栏悬停在页面正中……

每一个让人啼笑皆非的线上 Bug,放在若干年前都会换来一顿大复盘,产品、前端、设计、测试,将背好或者甩出各自的锅;而现在,Bug 们就飘在线上,等用户截图发到社交媒体后,评论区会出现另一种分锅方式:这个 Bug 是因为前端被裁了;这个 Bug 是设计被裁了没人验收;这个 Bug 是测试被裁了没人测边界 Case。

图源小红书

AI 山呼海啸的时代,如果还存在互联网产品,愿意在乎一个影响到几万用户体验的问题,改掉一个对营收和利润无足轻重的 bug,那我相信会是微信。

智客推

智客推

ZAKER 智客推 GEO | AI 时代的品牌认知解决方案

一起剪

一起剪

ZAKER旗下免费视频剪辑工具

相关标签

微信 湖南 语音识别 准确 创始人
相关文章
评论
没有更多评论了
取消

登录后才可以发布评论哦

打开小程序可以发布评论哦

12 我来说两句…