语音AI仿真的关键：停顿

最近开始流行基于语音的多媒体物联网(IoMT)，被大量用于语音到文本的翻译和语音控制应用。对于此类应用，核心技术是自然语言处理。我的研究团队发展一套语音谈话的IoT应用开发平台，称为 VoiceTalk，详细阐述了基于语音的IoMT开发问题。我们提出了一种新的自然语言处理机制，进行自动语音识别，借此发展了不少有趣的互动应用。

利用语音来进行电器控制较为简单，例如灯光控制，或冷气控制，只要转译为指令即可。其商业化的产品也都极为成熟，例如Google、亚马逊(Amazon)及小米都有语音控制的产品。

而本文翻译(voice to text transcription)这项科技的发展，其难度则远高于语音控制，若无人文素养的加持，终将流于肤浅。个人浅见，最难之处之一，在于处理语句之间的停顿(pause)。写文章时，句子内部主语与谓语之间如需停顿、分开的地方，就用像一只小蝌蚪的逗号来标明。因此在进行语音识别，转化为文字时，声音的停顿处，就被翻译成逗号。然而如何找出「停顿」转化为逗号，颇有学问。

「停顿」的运用之妙，存乎一心。厉害的作家及演说家，都各自有妙招，呈现他们不同的体会。马克吐温(Mark Twain)这麽说：「正确的用词可能很有效果，但没有一个用词如同在正确的时刻暂停那样有效。」苏珊．桑塔格(Susan Sontag)则承认：「无可避免的，沉默仍然是对话中的一种语言形式和元素。」尤其，沉默也是一种回答，可微妙的代表不同意义，例如默认。

谈说中在何时停顿，意思可能完全不同。换言之，在一串文字中放逗号于不同位置，意思会有很大差距。二次世界大战时的汪精卫政权，有一位女作家名叫苏青。苏青的成名作，仅仅将逗点移动一个位置。《礼记．礼运》写着：「饮食男女，人之大欲存焉。」这位女作家将之改写为「饮食男，女人之大欲存焉。」当时民风保守。她的创作大胆前卫，自我物化，一夕成名。遇到这种语带双关的读法，停顿的判读变得很重要，否则转译成文字时，差之毫厘，失之千里，就贻笑大方了。

诗人朗诵时，我们的VoiceTalk若进入「词」的模式，会将朗诵的诗下标点成为一阙词。例如千家诗中的七绝诗《清明即景》:「清明时节雨纷纷，路上行人欲断魂。借问酒家何处有，牧童遥指杏花村。」经过人工智能，将标点符号挪移一番，就变成一阙词：「清明时节雨，纷纷路上行人；欲断魂！借问酒家何处？有牧童遥指杏花村。」我们正在思索如何利用VoiceTalk改变莎士比亚作品中的「停顿」，将莎翁的双关语化为「三」关语。