董事Nelson Morgan
本期的重点是语音研究，这让我想起了近20年前我在ICSI的早期生活。该研究所也刚刚起步，我被要求帮助组建一个“实现”小组，负责设计和构建大规模并行系统。这听起来很有趣，但我也想有一个应用程序领域来关注，这样我们的工作就不会是一个抽象的练习。大约在那个时候，HervéBourrard作为访客来到ICSI，并用他对语音识别研究的热情“感染”了我们。在那十年的早些时候，我曾从事过语音处理，在与脑科学家合作几年，以稍微了解认知的神经生理学关联之后，我准备重返语音领域，至少有一段时间。
Hervé一直在布鲁塞尔的飞利浦工作，并意识到可以使用经过适当训练的神经网络估计概率。他的理论工作和直觉都告诉他，如果与隐马尔可夫模型结合，这些概率可以用于改进语音识别。这听起来很有趣，所以我开始和他一起进行相关的实验研究。我们关于规模问题的第一个结果非常令人鼓舞——我们得到了140%的误差！对于外行来说，这听起来可能是不可能的，但事实证明，在语音识别中，我们不仅将错误或缺失的单词计算为错误，而且还将插入输出中的额外单词计入错误。不管怎样，我们觉得除了往上爬，我们没有别的地方可去了。。。（如果你在计算错误，则为down）。我们确实做到了。在接下来的几个月里，我们一步一步地逐渐发现，为了取得好的表现，我们需要做些什么。第二年，查克·伍特斯（Chuck Wooters）加入了我们的行列，他可能是唯一一位在伯克利大学获得跨学科跨部门主题“语音识别”学位的学生。在Chuck的帮助下，在与Mike Cohen和Horacio Franco（当时都是SRI的成员）的合作下，我们最终获得了一个非常好的系统和大量的新想法。
早期的另一个里程碑来自我们与Hynek Hermansky的合作。当时Hynek为美国西部（后来的Qwest）工作。与主要关注统计模型的Hervé不同，Hynek专注于特征提取过程。此前，他发明了一种称为“感知线性预测”（PLP）的技术，现在被许多系统使用。他一直致力于使系统更独立于由于不同的说话人而引起的信号变化，但当我们开始合作时，他对使识别器对其他类型的变化不那么敏感感兴趣。我们组织的一个小型研讨会（SPeech recOgnition frOnt eNd研讨会，简称SPONS）激发了我们对这个主题的兴趣，为此，我们邀请了一些为语音处理设计创新模型的人，例如Les Atlas、Jordan Cohen、Ron Cole、Malcolm Slaney、Dick Lyon、Dirk Pueschel和Shihab Shamma。讨论很精彩（在语音合成方面做了重要工作的迈克·奥马利（Mike O'Malley）问道：“为什么要迈出10毫秒的一步？因为我们有10个手指？”），但其中一条评论特别打动了海尼克和我。乔丹·科恩（Jordan Cohen）为IBM设计了一个生物灵感语音识别前端，问：“我们可以通过一个近似于稳态元音谱（如‘e’）倒数的滤波器播放语音，但语音仍然可以理解，包括变成白谱信号的元音。哪个听力模型可以解释这一点？”，Hynek和我后来提出了我们称之为RelAtive SpecTral Analysis或RASTA的方法，该方法最终被高通公司采用，并最终在数百万手机中作为语音识别的前端。
在接下来的几年里，我很幸运地与埃尔韦和海涅克一起工作，因为他们换了工作。随着我们团队的发展，增加了学生、博士后以及不断涌现的优秀访客，我们都与这两位早期贡献者以及与他们合作的团队密切合作，例如共同开发新方法，将多个特征流合并到语音识别中。截至本文撰写之时，他们都在瑞士的IDIAP（在许多方面是我们的姐妹机构），我们的合作仍在继续。
从早期开始，我们已经从演讲（née Realization）小组毕业了16名博士，其中一些人现在正在教授新一代学生；和其他人回到ICSI担任研究人员。随着我们从语音识别扩展到说话人识别、句子分割、“日记化”（who speak when）以及语音理解的许多方面，我们现在有了新一代的下一代10名学生，他们正在研究一组更加多样化的问题。我希望本期《公报》将重点关注DARPA赞助的GALE项目，让读者对当前团队的方向有一些了解。
