.

　　上周末，我在知乎上举办了第一场 Live：语音识别技术的前世今生。

　　在讲座中，我回顾了语音识别技术 30 年来的发展历程。我通过孤立词识别介绍了 MFCC 特征提取的方法以及 GMM + HMM 的声学模型框架，然后扩展到大词汇量连续语音识别，同时引入了语言模型和 WFST 解码。之后，我介绍了提高系统性能的许多补丁，并把它们比喻成「潘多拉的魔盒」—— 它们虽然降低了识别错误率，却让系统复杂到难以驾驭。最后，我讲述了神经网络是如何发展起来，逐步蚕食掉 GMM + HMM 框架，并取而代之成为主流的。

　　在 Live 开始时，参与者共有 184 名，在三天后的今天上升到了 207 名，这个规模与我的预期相符。截至目前，Live 收到了 11 条评价，全部为五星，我感到很欣慰。

　　这次讲座的 PPT（点此下载），是在上个月 BitTiger 讲座之前准备的，准备工作一共花了我四个整天的时间。在准备过程中，我体会到了「厚积薄发」这个成语的含义。在一场 Live 的时间内，我介绍了语音识别发展史上的大多数主干技术，可以称为「一节课带你读完硕博连读」；但我觉得，也就只有在语音识别这个领域，我能做出一份这种质量的综述，哪怕是关系很近的语音合成、自然语言处理等领域，我都做不到这一点。

　　下面讲一下我使用知乎 Live 这个平台的体验。与 BitTiger 使用的 Zoom 平台不同，知乎的语音直播不是连续的，而是要一条一条地录音的。另外，Live 平台没有实时分享屏幕的功能，PPT 需要以图片的形式逐张上传。这种非实时的互动方式让我在 Live 之前有过忧虑：一是怕开始、停止录音以及上传图片的操作不熟练耽误很多时间；二是觉得既然一条语音可以反复录制，就总想录到完美。直播过程中，我觉得我的操作还算熟练，因为说错而重录的次数也很少，但依然感觉到了时间的压力，导致有一些知识点（比如 GMM 有哪些参数）没有讲清楚。事后统计一下，直播总共持续了 3 个小时，其中有 40 分钟的时间是答疑，我的讲解用了 2 小时 20 分钟。而根据我之前 BitTiger 讲座的经验，我讲完 60 页的 PPT 只需要 1 小时 30 分钟，这说明在 Live 平台，竟有三分之一的时间浪费在了操作上！

　　Live 开始前，有好几位知友在直播间与我进行了互动，提出了一些比较深入的技术问题。直播过程中的互动远没有 BitTiger 讲座时踊跃，但也正是这样，才保证了直播按时结束。我想对积极提问的十多位知友表示感谢。

　　我今后还想在知乎上举办更多的 Live。考虑到知乎 Live 的互动形式，我觉得最好是讲一些主要依靠语音、较少依赖文字和 PPT 的主题；同时最好选一些小一点的话题，把总时长控制在 1 ~ 1.5 小时以内（考虑到互动时间，我自己说话的时间在 30 ~ 45 分钟）。如果大家有想听我讲的话题，可以在这篇文章下留言 :-)

ITPub博客

10618 知乎 Live 开讲初体验

最新文章