IT是不是泡沫？－　声音和图像收索

谷歌收索（search）是现今最流行，最有效的收索工具。它主要进行的是文字（text）收索。就是你提供一个关键词，它给出最接近你想要的收索结果。

 尽管它也提供基于图像的收索。但是其结果很不精确，实用性不强。

最近接触了两款新颖的手机程序，是关于声音和图像收索的。在这儿和大家分享。

 一天开车出去，放了一盘中国蒙古族歌手德德玛的DVD。女儿告诉我，有一个新的手机应用程序，叫SoundHound。能够听很短一段音乐，就给你找出这音乐的相关的信息，　包括歌名（ｔｉｔｌｅ），作者或歌唱家（ａｕｔｈｏｒ，ｓｉｎｇｅｒ），专辑（ａｌｂｕｍ）等。

自己试了试，只要让手机离声源很近，收索准确的程度非常高。不仅一般西方的音乐很易找到，就是中国的一般民歌和歌唱家都能准确地以中文现出。自己也可以对着手机哼上两句，它能知道你唱的是什么曲子。有点喜出望外。

 猜想其背后就是所谓的音频收索（audio　ｓｅａｒｃｈ）。如果不是应用了傅里叶（Fourier）頻谱分析或声音合成（Sound　Synthesis）算法（algorithm）的话，那么其数据库（ｄａｔａｂａｓｅ）里一定存了海量的包罗万象的音乐剪辑，不仅是有名的，也有无名的，不仅是一国的，而是全世界的；其中既有严肃的，也有通俗的。为了快速收索出结果，一首曲子可能已被切成了很多很多的小段被存起来。只要有几小段被对上（ｍａｔｃｈ），就能给出结果。不需要ｍａｔｃｈ整个曲子。

 另一个程序，就是谷歌的翻译程序（ｔｒａｎｓｌａｔｅ）。自己用它好些年了，权当网上字典用。因为用它来翻译一段英文成中文，译出的中文可能会令人哑然失笑，是那种西方人学出来的中文味道。这西方人学中文那是很好玩的，很难掌握其字义语义随时随地的微妙变化。一个网上的笑话说，一个老外在中国的公司工作，年终了，老板请员工到餐厅团聚吃饭，客气道，“请大家吃个便饭“。老外雇员一激动，马上就说，“这哪是便饭呢？要是，也不是小便饭，绝对是大便饭啊”。

以下举几个用谷歌翻译句子的例子。

这一个还行，

Left brain has nothing left, right brain has nothing right

左脑已所剩无几，右脑具有什么都不对

这一个就有点好笑，这是KFC的广告词。

At KFC, we do chicken right

在肯德基，我们做正确的鸡

这一个就完全不知所云了

A gentleman is rather than does

君子而不是做

可见如果你想成为一个朱生豪，傅雷那样的翻译家，像鲁迅他老人家翻着俄文字典翻译法捷耶夫的《毁灭》那样，借助谷歌的translate去翻译 J. K. Rowling的《Harry　Pｏtter》，那么所谓的信达雅，跟以前一样，还是很难达到的。

 但是最近玩它的手机版，发现界面上有一个小小的相机icon。Click它，手机的相机打开了。用它对着任何英文，聚焦后，能自动把所见的英文立即翻译成中文，而且不管这英文的字体是花体，美术体，或是广告体，都能不管对错，随时随地翻译。这有点夸张了。知道这意味着什么吗？这意味着一机在手，不要其它的翻译工具，即便一句英文不会，照样能走天下，去全世界旅游。到了异国他乡，不认识那些标牌，用手机对上一照，马上就显现出中文，尽管有时文不对题，结果不准确，但不失为信手拈来的拐棍，壮壮胆子还是不错的。

仔细想来，这当然是基于谷歌本身的图像收索。它的收索的原理如果不是用什么复杂的algorithm去真正做ｐａｔｔｅｒｎ　ｍａｔｃｈ　的话，那么其原理大致与音频收索相似。这似乎很简单，其实很复杂的。

 音频收索似乎成熟一些，因为声音总是能做傅里叶（Fourier）频谱分析。简单地讲，一首歌就是声音随时间的一个分布。其曲线上每一点，不外乎是一系列谐波的叠加。理论上，不论是宋祖英像竹林里竹叶那样尖尖的脆脆的，像空山里画眉鸟叫的湘西苗音，还是像德德玛那样的出自胸腔的而不是喉咙，饱含着草原的宏大和辽远的苍穹迴声，都可以很容易地被抽象成一个Fourier级数。而图像就不能这样处理的，从微观上讲，图像里的一个像素（pixel），既有空间的定义，也有颜色的定义。在这儿，可以不考虑时间。那么可以把空间看成时间。所谓图像就是RGB（色素）随空间的分布。但是空间是２维或者３维的，能把它展开为简谐色波的叠加？至少现在还不能用此类方式处理。

宏观上讲，字体变化多样，字体的胖瘦不一，美术体可能还是手写。这样的话，似乎没有更高级的algorithm，不能做到准确的match。