AI時代的智能語音會是怎樣的形勢發(fā)展

東軟開放日大汽車專場暨韜客第四季在東軟舉辦，活動旨在充盈企業(yè)員工知識庫，以促進(jìn)對外知識技能、市場信息交流為目的。

思必馳·上海交大聯(lián)合實(shí)驗(yàn)室副主任、上海研發(fā)中心主任錢彥旻受邀參加，發(fā)表了題為《智能語音技術(shù)及產(chǎn)業(yè)化應(yīng)用》的演講，從AI語音科技的時代進(jìn)程、技術(shù)重難點(diǎn)到產(chǎn)業(yè)應(yīng)用等全方位，展示智能語音對于科技和社會的影響力。

AI語音技術(shù)：智能時代的入口

移動互聯(lián)網(wǎng)時代的繁榮離不開PC時代的技術(shù)沉積，如果說科技是個接力棒的革新過程的話，那人工智能的爆發(fā)便離不開移動互聯(lián)網(wǎng)奠定的結(jié)實(shí)基礎(chǔ)。

錢彥旻表示，大數(shù)據(jù)、云計算、超級硬件、深度學(xué)習(xí)共同構(gòu)成了人工智能四大基礎(chǔ)，在此之上，人工智能以實(shí)體機(jī)器人、人機(jī)交互的形式進(jìn)行商業(yè)化落地，并以大數(shù)據(jù)分析的方式智能運(yùn)營，以上三點(diǎn)共同促成了人工智能的爆發(fā)和AI時代的到來。

AI技術(shù)在物聯(lián)網(wǎng)的應(yīng)用加深了人與硬件及硬件與硬件之間的聯(lián)系，同時也促使了智能設(shè)備形態(tài)的迷你化和無屏化，因此錢彥旻認(rèn)為，智能口語對話是物聯(lián)網(wǎng)時代的人工智能入口，從而，語音交互成為繼按鍵、觸屏交互方式之后的新興交互模態(tài)。

同時更促進(jìn)了傳統(tǒng)電子產(chǎn)品的升級，如手機(jī)智能助手、智能音箱、智能手表等以語音交互為主的智能設(shè)備都是這一演變下的產(chǎn)物，AI語音交互已成為新興科技產(chǎn)品的智能入口。

在數(shù)十年前，圖靈測試便提出了“能否通過智能對話測試是判斷機(jī)器是否具備人類智能的方法”，由于智能對話可直接體現(xiàn)AI的認(rèn)知和感知能力，是智能化的最高表現(xiàn)，故被喻為人工智能皇冠上的明珠，而語音識別及分析作為智能語音交互閉環(huán)的入口，對語義內(nèi)容提取起著“金鑰匙”般的開端作用。

語音識別技術(shù)：智能對話入口

語音識別歷來是人工智能和機(jī)器學(xué)習(xí)中的十大經(jīng)典難題之一，它的難點(diǎn)可以整體歸納為三方面的不確定性——說話人、環(huán)境、設(shè)備。

說話人作為語音主體，本身具有語言復(fù)雜性，世界上有6900多種語言，且小語種的數(shù)字資源較為匱乏，開發(fā)難度大；語音富信息，如性別、年齡、情緒的不同也讓語音識別的過程更加復(fù)雜。

就外部環(huán)境而言，噪聲下的魯棒識別是語音識別大規(guī)模應(yīng)用的主要絆腳石，會議室、電影院、體育場等場景的不同，會導(dǎo)致噪聲、遠(yuǎn)場、信道失配等情況的差異，這對于多類別復(fù)雜場景下的通用語音識別的實(shí)現(xiàn)難度較大。

識別技術(shù)離不開計算資源的支持，離線識別、連續(xù)性識別、低功耗等技術(shù)和硬件設(shè)備的升級都能幫助計算資源的擴(kuò)展，對將語音識別走向千家萬戶，有巨大的推動作用。

針對以上難點(diǎn)，思必馳的語音識別技術(shù)也有了改進(jìn)，其識別技術(shù)可進(jìn)行聲紋識別、抗噪及遠(yuǎn)場識別、性別、年齡、情緒識別等；在設(shè)備上，研發(fā)的AI語音專用TAIHANG芯片，能更好地實(shí)現(xiàn)離線識別和低功耗等功能，將AI語音技術(shù)賦能至更多智能硬件中。

智能車載：最佳應(yīng)用場景

從技術(shù)到到商業(yè)化變現(xiàn)，離不開對場景需求的挖掘和探索，車載是AI語音的最佳應(yīng)用場景，思必馳將全鏈路語音交互技術(shù)應(yīng)用于智能車載方案，其中包括車載語音交互系統(tǒng)——天琴語音助手，目前已與上百家車企、Tier1合作，已將“小天”搭載至五十余款主流車型中。

語音采集上，思必馳的雙麥/四麥方案可采集車載空間的全方位語音信息，通過多音區(qū)定位技術(shù)支持一對多交互；語音識別上，能夠保證在噪音環(huán)境下保持超高識別率和“云+端”穩(wěn)定性，同時支持普通話和多種方言識別。

在語義理解和對話管理上，天琴助手能分析出說話人情感，完成高情商的閑聊互動，并同時完成各項(xiàng)技能和內(nèi)容資源調(diào)用任務(wù)，如點(diǎn)歌、導(dǎo)航、訂票、查天氣等等；作為對話回應(yīng)，思必馳的TTS復(fù)刻技術(shù)可快速生成“高仿真度”的合成音，讓愛人、家人、朋友時刻陪伴自己。

在整個車載場景的交互中，思必馳的全雙工技術(shù)可以讓喚醒、聆聽、回復(fù)同時進(jìn)行，實(shí)現(xiàn)one-shot一把說，貼近自然語言對話。此外，還包括了個性化推薦、智能打斷、離線交互等，來更好地幫助車主解放雙手，守護(hù)出行安全

未來思必馳會將AI語音技術(shù)應(yīng)用于更多行業(yè)場景中，“溝通萬物，打理萬事”是思必馳的愿景，更是智能語音在AI時代的驅(qū)動方向。