上周二赶早高峰挤2号线，被人潮夹在车门边，手里攥着半块刚买的蒸饭，腾不出手点外卖，索性对着手机麦克风喊——”帮我点杯少冰三分糖的乌龙奶绿，送到新街口站出口”。
等了三秒。
屏幕上跳出来的字是：”帮我点杯少冰三分糖的乌龙卖驴，送到新街口站出口”。
周围几个低头刷手机的人突然抬头看我。
社死到脚趾在鞋里抠出三层地下通道。
它根本不是在”逐字听”你的话
很多人遇到识别错的情况，第一反应是自己普通话不标准，l和n不分，平翘舌咬不准，对着麦克风反复练发音。
真不是你发音的问题。
它从来不会真的”听懂”你在说什么，只会计算”你现在发出来的声音，最匹配训练库里的哪一段文字”。
你说话的声音传到麦克风里，会被拆成无数个20毫秒左右的小声波碎片，每个碎片对应一组声学特征：有没有鼻音，是送气还是不送气，频率是高还是低。系统会把这些特征跟训练时喂进去的几百万小时的普通话、方言、带噪声的语料库做比对，算出每个可能的字出现的概率，选概率最高的那个拼成句子，根本不存在”逐字抠发音”这回事。
就像你蒙着眼站在一堆调料瓶前面，靠闻味道猜哪个是盐，哪个是糖，偶尔把混了辣椒面的糖当成盐，太正常了。
上次我带南京郊区的外婆试语音输入，外婆一口地道的江宁腔，说”阿要辣油啊”，之前老版本的输入法识别了三次，分别出来”阿要腊有啊””阿要那有啊”，换了新版本之后一次就对。不是外婆突然说标准普通话了，是训练库最近塞进去了更多带江宁口音的日常语料，概率算对了而已。
那些让它当场”死机”的破场景，真不是你普通话不行
上次在新街口正洪街等朋友，旁边的活珠子摊子老板扯着嗓子喊”十块钱四个，现煮的！”，我对着手机说”帮我找下附近评分高的鸭血粉丝汤店”。
识别结果跳出来：”帮我找下附近评分高的活珠子粉丝汤店”。
导航直接把我导到了那个卖活珠子的摊子。
真正拉低识别准确率的，从来不是你带口音的普通话，是那些混在你说话声音里的、毫无规律的环境噪声。
系统哪分得清哪个声音是你说的，哪个是旁边摊子老板喊的？只要那个声音的频率跟你说的话凑到一块，它就会一股脑算进去。你在地铁里说话，风灌到麦克风的呼呼声，商场里放的背景音乐的鼓点，甚至你嘴里嚼着蒸饭、咬着锅巴说话的含糊音，都会被它当成你发音的一部分。
之前我嚼着脆烧饼跟手机说”给我妈打个电话”，系统识别成”给我妈打个电花”，差点把电话拨给了通讯录里存的”老王电烤串”。
说个冷知识：现在的语音识别系统，对故意捏着嗓子说的”标准普通话”，识别准确率反而比你平时自然说话低。因为训练库里的语料，全是大家平时聊天的自然发音，你一捏嗓子，声音的特征变了，它算来算去算不对，还不如你平时带点南京腔的大白话来得准。
它看起来很智能，其实根本没在”理解”你
很多人觉得现在的语音识别厉害到能读心了——你刚说到一半，它就把你整句话补全了，甚至能根据你之前的聊天内容，自动选对选项。
别被它骗了。
所谓的智能上下文联想，本质上只是把你最近聊过的关键词，权重拉得比别的内容高一点而已。
上周我前一天刚跟同事聊完，说下周团建要坐高铁去苏州，结果第二天我在烤鸭店排队，对着手机说”帮我订张今天的烤鸭”，系统直接给我跳了一张南京到苏州的高铁票，12306的提醒弹出来的时候，我手里的烤鸭券都差点掉地上。
它哪知道你要订的是烤鸭啊，它只知道你最近提过”订张票”这个关键词，刚好你说的话开头有”帮我订张”，就直接把权重最高的高铁票选项推给你了。
上次刷到个网友吐槽，说自己前一天刚看完《狂飙》的解说，第二天对着语音输入说”我家猫今天把沙发抓坏了”，系统给识别成”我家高启强今天把沙发抓坏了”，给警察都整紧张了。
说穿了，现在的语音识别，还是个靠概率吃饭的工具而已。
你别在风大的地方凑着麦克风猛喊，稍微离个十厘米，减少呼吸的风噪；别故意端着架子说普通话，就像平时跟朋友聊天那样自然说；别在吵得要死的大排档跟它说要订机票，它真的会给你订错到烤串店。
哦对，上次我在大排档对着语音识别说”帮我把这张照片修亮一点”，它给我识别成”帮我把这张照片修两斤”。
你看。
它从来就没真的懂过你。
只是算的概率，偶尔蒙对而已。
别跟它置气。算错了就重说一遍，它要是敢把你说的”阿要辣油啊”识别成”阿要腊有啊”，大不了换个输入法就是了。