ICASSP：信号处理的内涵演进
国际声学、语音与信号处理会议（ICASSP）迄今已举办45届，被谷歌学术评为信号处理领域影响力最高的会议。随着语音技术的成熟，信号处理的定义持续扩展。某中心首席科学家Ariya Rastrow指出：“ICASSP涵盖从底层信号处理到语义解析与自然语言理解的全谱系技术。”
声学与语言的动态交互
人类听觉系统并不单纯依赖声学信号识别语言，计算机系统也应如此。在嘈杂环境中，人类会依赖语义先验知识增强识别能力。传统口语理解分为自动语音识别（ASR）和自然语言理解（NLU）两个组件：ASR将声学信号转为文本，NLU解析文本含义。
传统ASR系统包含三个模块：
- 声学模型：将声学信号转换为音素表示
- 词典：映射音素序列到单词
- 语言模型：通过词汇共现统计解析声学信号
端到端训练的兴起
近年来，基于神经网络的端到端训练逐渐取代传统分模块方法。单一神经网络直接学习声学输入与文本输出的映射关系，替代了原有ASR系统中分离组件的功能。这种联合训练方式带来三大优势：
- 精度优化：通过多任务训练提升系统抗干扰能力
- 效率提升：共享网络层实现模型压缩与推理加速
- 硬件适配：神经网络架构更易于在软硬件端优化部署
全集成挑战与前景
完全集成的神经网络可将ASR的底层声学处理与高层语言建模相结合。某中心研究人员在ICASSP论文中证实，语义特征可辅助区分设备指向性语音（如唤醒词检测），而传统方法仅依赖声学特征。
终极目标是构建直接从音频到语义理解的端到端网络，但面临两大挑战：
- 数据稀疏性：越接近语义层，独特交互模式的数据越稀缺
- 逻辑推理融合：如何将数据驱动学习与规则推理结合（如处理否定指令“不要打开厨房灯”的实际语义）
未来研究方向将聚焦半监督/无监督学习与知识逻辑系统的融合，以解决语义层的数据稀疏和复杂推理问题。