智能語(yǔ)音交互與機(jī)器人服務(wù)的發(fā)展逐漸步入正軌

（文章來(lái)源：新浪財(cái)經(jīng)）

當(dāng)前技術(shù)和市場(chǎng)環(huán)境下，人工智能還做不到真正自如的對(duì)話(huà)，尤其是機(jī)器人還沒(méi)有自己的思考和觀點(diǎn)。我們目前在落地智能語(yǔ)音服務(wù)場(chǎng)景的時(shí)候會(huì)遇到很多掣肘的問(wèn)題，現(xiàn)在我們來(lái)看看當(dāng)前的技術(shù)到底發(fā)展到什么程度。首先我們明確機(jī)器人的概念，機(jī)器人不一定有硬件本體，它可能也是虛擬的形象。例如它可能是手機(jī)的智能助理，它的載體也可能是一個(gè)音箱。

機(jī)器人智能語(yǔ)音服務(wù)不是機(jī)器人硬件終端，其智能是由背后的“大腦”產(chǎn)生的。而這個(gè)“大腦”通常是在服務(wù)端。目前NLP技術(shù)需要依賴(lài)大量的數(shù)據(jù)和算法，知識(shí)圖譜和深度學(xué)習(xí)訓(xùn)練的數(shù)據(jù)都非常大，開(kāi)放域通用NLP的數(shù)據(jù)量和計(jì)算模型數(shù)量更加龐大，所以一般無(wú)法在算力較小的終端芯片中運(yùn)行，也正因?yàn)槿绱?，“大腦”也常被人們稱(chēng)為“云腦”。不過(guò)，在特殊行業(yè)應(yīng)用中，我們可以把云端的能力固化到本地局域網(wǎng)的服務(wù)器或者是PC上，這是離線(xiàn)本地化交付。

機(jī)器人不是無(wú)所不能的。現(xiàn)在的企業(yè)用戶(hù)越來(lái)越務(wù)實(shí)的認(rèn)識(shí)到機(jī)器人擅長(zhǎng)：重復(fù)性的工作和人無(wú)法做的工作，比如一些危險(xiǎn)的工作，也例如安防巡邏工作，或者是7×24小時(shí)的不間斷客服工作。基于這樣的務(wù)實(shí)認(rèn)知，才有現(xiàn)在更加務(wù)實(shí)和廣泛的商業(yè)落地場(chǎng)景。

在智能語(yǔ)音服務(wù)能力方面，現(xiàn)在我們已經(jīng)可以做很多事情。早幾年大家都想擁有一個(gè)像科幻電影中的機(jī)器人，但以目前的軟硬件技術(shù)目前還做不到。但是，當(dāng)行業(yè)內(nèi)的需求開(kāi)始務(wù)實(shí)之后，我們發(fā)現(xiàn)很多領(lǐng)域已經(jīng)可以提供有價(jià)值的服務(wù)了。比如說(shuō)，剛剛提到的生活助理可以幫你呼出電話(huà)、制定提醒，在一些商務(wù)場(chǎng)景中，機(jī)器人可以提供迎賓、講解、導(dǎo)購(gòu)、推薦、客服服務(wù)等。

通過(guò)開(kāi)放域加限定域的組合，目前已經(jīng)可以在垂直場(chǎng)景中做到比較好的體驗(yàn)，尤其是可以在局部替代人工的工作。這里有一段視頻，是展示實(shí)際的點(diǎn)餐案例，大家可以先看一下。從視頻中大家可以看到這樣一些能力：第一，一句話(huà)包含多個(gè)意圖，甚至相反的意圖，機(jī)器都可以理解。

例如：給我來(lái)兩杯咖啡，一杯要冷的一杯要熱的，冷的要拿鐵，熱的要卡布奇諾，算了拿鐵不要了；第二，通過(guò)配套的CMS系統(tǒng)，餐廳服務(wù)員可以自己修改菜單內(nèi)容，不再需要有技術(shù)公司進(jìn)行訓(xùn)練，這樣就方便大規(guī)模的普及應(yīng)用。像這樣一些服務(wù)技能可以同時(shí)ToB和ToC，比如我們做的醫(yī)療服務(wù)技能也是如此。

另外在機(jī)器人的情感表現(xiàn)力方面也取得一些進(jìn)步。比如像阿里和百度的TTS現(xiàn)在都支持SSML標(biāo)簽。通過(guò)人工大腦分析語(yǔ)境和輸出內(nèi)容的語(yǔ)義自動(dòng)插入SSML標(biāo)簽就可以控制語(yǔ)音合成的效果了。這樣，語(yǔ)音合成不再是單一的語(yǔ)速和語(yǔ)調(diào)，而是根據(jù)語(yǔ)境和語(yǔ)義有不同的節(jié)奏，甚至是自動(dòng)配背景音樂(lè)。接下來(lái)有一段視頻，朗讀詩(shī)詞時(shí)的背景音樂(lè)都是TTS自動(dòng)合成進(jìn)去的。未來(lái)這樣的技術(shù)會(huì)使得我們機(jī)器人的情感表達(dá)更豐富。另外，在高噪聲環(huán)境下的語(yǔ)音識(shí)別一直是很頭痛的問(wèn)題，目前通過(guò)非等距MIC陣列+機(jī)器視覺(jué)成功解決了高噪雜環(huán)境的語(yǔ)音識(shí)別問(wèn)題，也使得智能語(yǔ)音服務(wù)的場(chǎng)景可以更廣泛了。

此前許多智能語(yǔ)音服務(wù)需要與業(yè)務(wù)系統(tǒng)深度對(duì)接，遇到實(shí)現(xiàn)難度大、交付周期長(zhǎng)等諸多問(wèn)題，主要是想一步到位解決問(wèn)題，但目前人工智能技術(shù)整體處于初級(jí)階段，還在快速發(fā)展，現(xiàn)階段不可能一步到位解決所有問(wèn)題。打造高性?xún)r(jià)比和快速個(gè)性化的輕量級(jí)智能語(yǔ)音服務(wù)集成方案可以在很多場(chǎng)所替代人，因此更容易大規(guī)模普及應(yīng)用。

未來(lái)大屏幕電視機(jī)可能會(huì)成為智慧養(yǎng)老的一個(gè)真正的智能控制中心，而不是一個(gè)具體的機(jī)器人。因?yàn)樵陔娨暀C(jī)上的虛擬人既可以成為老人的孫子形象，也可以是老人當(dāng)年夢(mèng)中情人的印象。通過(guò)電視和分布在屋內(nèi)多處的語(yǔ)音交互控制模組可以控制全屋，而全屋各個(gè)設(shè)備不需要全部裝上主機(jī)和屏幕。此外還可以跟老人的智能手表進(jìn)行協(xié)同控制，并且可以實(shí)現(xiàn)控制權(quán)自動(dòng)交接等等。

最后，對(duì)于未來(lái)，隨著人工智能越來(lái)越多普及到生活的方方面面，在便捷的同時(shí)我們將面臨一個(gè)很大的問(wèn)題，就是用戶(hù)隱私與更加優(yōu)質(zhì)的用戶(hù)體驗(yàn)之間的矛盾問(wèn)題。這個(gè)問(wèn)題需要所有從業(yè)者一起思考如何平衡這個(gè)矛盾。
? ? ?