文/龙梦竹(现任思必驰信息科技有限公司市场总监)
在智能语音技术方面，就国际市场而言，已经形成了Nuance、谷歌、苹果、微软等IT巨头的垄断格局。放眼国内市场，科大讯飞、百度、思必驰等智能语音解决方案各显其色，常年致力于领先的中文语音信息处理技术。
但是，对比国内外技术实力，当前国内的智能语音技术在人机交互方面仍旧存在很大提升空间，主要有以下表现：
智能硬件“听不懂”
出现该问题的原因无非是“没听清”和“不理解”。“没听清”是由于语音识别功能出现了问题，噪声环境、识别距离、硬件回声等均是语音识别的关键因素，如果处理不当便会导致识别率不同程度的降低;“不理解”是由于语义理解不够深入而导致，说话人不同，讲话习惯、音调、音速等也各不相同，上下文语境千差万别的情况下，如果不能结合语境进行深度学习，语义理解难免差强人意，更谈不上能够进行多轮交互了。
智能硬件“不聪明”
智能硬件“不聪明”表现为：无法根据要求提供相应的信息，定制功能缺失。无论是智能语音，还是人脸识别、图像识别等技术，都只是实现人机交互的手段和工具，人类真正的交互对象是资源。当前人机交互存在的很大问题是资源不足，不能满足人们多样的功能需求，如电话、社交、音乐、电台、导航、地图、天气查询、票务查询等等，智能硬件显得很不智能。当前智能硬件的后端服务集成尚未能满足当前用户的需要。
针对智能硬件“听不懂”的问题，亟待解决的是语音识别和语义理解问题。在语音识别方面，角度、距离、回声、噪声等因素均能够对最终的识别效果产生极大的影响。确定合适的拾音角度和拾音范围、距离，有效降噪和消除回声，来进行准确的声源定位，是识别的关键一步。当前国内市场很多企业已经陆续推出了相应的解决方案，例如 5麦麦克风阵列，可进行快速集成，但是成本稍高，适合小批量产品。中国科学院声学所的8麦技术方案，针对会议系统，且目前的市场应用并不广泛。另一方面，还有环形“6+1”麦克风阵列，可进行360°无死角拾音，准确进行声源定位，并采用独有算法的降噪和回声消除技术，有效克服了语音识别过程中，随着语音传播距离加大，因语音本身的衰减，混响、背景噪音、人声干扰和回声加大等技术难点带来的阻力，实现业内领先的远场5米交互识别率92%以上，识别和交互效果能够媲美近场。由此可见，当下从事于语音技术的企业均从科技研发角度出发，从解决实际应用场景下的产品需求出发，从而着力解决语音识别和人机交互的这一大问题。
智能语音如何推动人机交互
语义理解的关键是结合上下文语境进行深度学习。然而，在真实场景下，传统语音识别加自然语言处理的方案并不能很好地实现自由的“人机交互”。微软研究院表示，基于上下文的理解是微软自然语言处理组正在解决的重点问题，Cortana助手中就初步实现了上下文语义理解。科大讯飞也在年度发布会上表示，“纠正、打断”是自然交互的本质要求，且纠错是人机语音交互的一个标准，其对话系统也已经实现基于上下文的理解。而我认为基于上下文的理解是认知智能的主要表现之一，也是解决语音识别错误的最有效途径之一，业界也已经有“支持打断和智能纠正”的认知型对话系统及相关场景解决方案诞生。
人机交互的另一端是资源，丰富的第三方服务内容可使智能硬件变得更聪明，汇集大量的资源功能才能有效提升后端服务质量。所谓的智能语音解决方案，应该能够支持安卓、linux、QNX等主流操作系统，并集成丰富的第三方服务资源，例如微信、高德地图、酷我音乐、虾米音乐、喜马拉雅FM、考拉电台、神马搜索、大众点评、墨迹天气、百度天气、携程、百度股票等等，为用户提供社交、周边搜索、导航、音乐电台、天气日历等多功能服务。丰富的第三方服务资源供智能硬件随时交互提取使用，具备这些基本条件，智能硬件才能变得更聪明、更智能，人机交互才能变得更流畅完美。
操作再简易的APP 也不如一句话来得简单
智能语音的不断发展也在推动着人机交互的不断进步，抛弃传统APP/遥控器等移动终端的控制，实现全语音自动操控，智能硬件也能越来越能够琢磨透人类的思想，追踪行动意图，随着智能硬件、智能家居的不断发展，作为主要交互方式的语音交互技术的发展也将迈上一个新台阶，毕竟操作再简易的APP控制，都没有用户口中的一句话来得简单，语音交互技术将很大程度上帮助人们将生活变得更加智能、便捷。
总而言之，智能语音的痛点始终放缓了人机交互的步伐，解决识别、理解与后端服务的难题，也鞭笞着我们在人机交互领域不断前行，智能人机交互的未来需要我们共同努力。
a&s传媒是全球知名展览公司法兰克福展览集团旗下的专业媒体平台，自1994年品牌成立以来，一直专注于安全&自动化产业前沿产品、技术及市场趋势的专业媒体传播和品牌服务。从安全管理到产业数字化，a&s传媒拥有首屈一指的国际行业展览会资源以及丰富的媒体经验，提供媒体、活动、展会等整合营销服务。
粤公网安备 44030402000264号
