據(jù)行業(yè)預(yù)測，中國智能語音產(chǎn)業(yè)規(guī)模將達(dá)到101.4億元。而智能語音產(chǎn)業(yè)的快速發(fā)展，將帶動智能家居、智能汽車以及智能穿戴設(shè)備等相關(guān)領(lǐng)域市場規(guī)模增長上千億元。

智能語音市場規(guī)模得以如此神速擴(kuò)張，并且應(yīng)用到多個領(lǐng)域，這必然離不開智能語音技術(shù)的不斷突破。那么，我們當(dāng)前的語音技術(shù)達(dá)到了什么地步？換句話說，能夠?qū)崿F(xiàn)什么樣的人機(jī)互動效果呢？

以歐拉蜜團(tuán)隊為代表，我們一起來看看這些年國內(nèi)智能語音行業(yè)的技術(shù)突破。

技術(shù)門檻高，首先得保證語音識別準(zhǔn)確率

中國的語音識別研究起始于1958年，由中國科學(xué)院聲學(xué)所利用電子管電路識別10個元音。雖然與國外語音識別研究起步時間同步，但由于當(dāng)時條件的限制，隨后一段時間內(nèi)技術(shù)的進(jìn)展較為緩慢。

最初，我國語音技術(shù)的研究一直以學(xué)術(shù)界為主，隨后才有企業(yè)逐漸涉足這個領(lǐng)域。由于語音識別技術(shù)準(zhǔn)入門檻高、人才稀缺，經(jīng)過多年研究與探索，一些國內(nèi)企業(yè)終于在這個行業(yè)冒頭，形成了“一超多強(qiáng)”的局面。

歐拉蜜團(tuán)隊在智能語音方面的研究已達(dá)5年。初期，歐拉蜜以設(shè)計出一個中文理解能力超越Siri 的智能語音助理為目標(biāo)，開始投入人工智能相關(guān)研究領(lǐng)域，而長遠(yuǎn)的目標(biāo)則是致力于提供全方位的人機(jī)交互解決方案。

這5年里，歐拉蜜攻破了不少技術(shù)難關(guān)。首先要解決的，就是語音識別的精準(zhǔn)度。

語音人機(jī)交互面臨著多重技術(shù)難題。例如，人聲距離不能過遠(yuǎn)、發(fā)音要標(biāo)準(zhǔn)、環(huán)境要安靜、不能持續(xù)對話、不能被打斷……

（歐拉蜜開發(fā)套件拾音測試視頻截圖）

歐拉蜜團(tuán)隊重點(diǎn)解決了這些語音識別方面的問題。目前，歐拉蜜的人聲識別準(zhǔn)確度高達(dá)90%，并且可實(shí)現(xiàn)超遠(yuǎn)距離識別（最遠(yuǎn)可準(zhǔn)確識別距離8米的人聲）。

同時，歐拉蜜團(tuán)隊研發(fā)了具有強(qiáng)抗噪能力的語音識別技術(shù)與核心算法，包括語音活性檢測（Voice Activity Detection | Speech Activity Detection），回聲消除算法（AcousticEcho Cancellation ），噪聲處理算法（Noise Reduction & Cancellation），混響處理算法（Reverberation）等多項(xiàng)專利技術(shù)。

歐拉蜜還為企業(yè)用戶提供深度定制服務(wù)，比如對兒童聲音、嘈雜環(huán)境聲音進(jìn)行訓(xùn)練，可達(dá)到特殊要求下的語音識別高準(zhǔn)確度。

難點(diǎn)在于自然語言語義理解和處理

“能穿多少穿多少”，這句話的意思，到底是要你“多穿”呢，還是要你“少穿”呢。同樣的，中文語境下，類似的歧義句還不在少數(shù)。

例如，“中國隊大敗德國隊”，不知是中國贏了德國，還是德國贏了中國；“小王跟我請了假”，不知是小王向我請了假，還是小王和我都請了假……那么，在這種歧義的語境下，我們需要更多的信息來明確原句的意思。

比較常見的 NLP/NLU 現(xiàn)有技術(shù)與方案有這么幾種。一是基于關(guān)鍵詞和簡單規(guī)則，但這樣誤抓率高、歧義多，無法精準(zhǔn)抓取參數(shù)；二是基于ASR語法的擴(kuò)展，但這種方式描述能力有限，可擴(kuò)展性較低；三是基于統(tǒng)計的句法分析算法，這種算法準(zhǔn)確率與性能不夠高，且不易處理上下文問題；最后呢，是處理語法擴(kuò)展的編程，但這種程序復(fù)雜度很高。

那么，歐拉蜜是怎么解決這個問題的呢？

歐拉蜜團(tuán)隊自主研發(fā)的語法描述語言（Syntax Language），可用靈活的規(guī)則來描述說法。同時，依托可全文檢索的結(jié)構(gòu)化知識庫，輔助確定語法參數(shù)的合法性，消除歧義。

歐拉蜜采用了結(jié)合規(guī)則和統(tǒng)計的有機(jī)算法、時間和數(shù)字識別技術(shù)、以編譯器技術(shù)動態(tài)解析和匹配規(guī)則，能夠?qū)崿F(xiàn)多維度的上下文支持能力，準(zhǔn)確理解用戶的表達(dá)意圖。

（上圖為歐拉蜜語音助手截圖）

例如，當(dāng)用戶連續(xù)輸入“今天上海的天氣”，“北京呢”，“買一張去那里的機(jī)票”。經(jīng)過算法處理以及數(shù)據(jù)庫檢索，歐拉蜜能夠結(jié)合上下文，準(zhǔn)確將“北京呢”理解為“北京今天的天氣如何”，并給出當(dāng)天北京的天氣狀況。

同樣的，歐拉蜜也能獲取最后一句中的“那里”指代的是“北京”，并為用戶反饋當(dāng)?shù)厝ケ本┑臋C(jī)票信息。

以視覺行為偵測技術(shù)為輔助的語音人機(jī)交互

如果人機(jī)交互可以更加“智能”，那么它應(yīng)該擁有哪些能力呢？歐拉蜜團(tuán)隊進(jìn)一步改進(jìn)了語音機(jī)器人的喚醒功能，使人機(jī)交互更加流暢。

市面上主流的智能音響，目前使用的都是語音喚醒。由于智能音響沒有屏幕，一切功能都是通過語音來操控，喚醒功能也不例外。往往會用一句喚醒話術(shù)（通常是產(chǎn)品的名稱）來作為啟動標(biāo)志，當(dāng)人們對著智能音響說出這句話時，智能音響就會進(jìn)行答復(fù)并開始接收你傳遞給它的信息。

你可能會說，語音喚醒已經(jīng)很方便了，難道還能有什么改進(jìn)余地嗎？

試想一下，日常生活中，當(dāng)我們想要對另一人說話時常常會面向他，這時候，不需要叫對方的名字，對方也知道我們正在與他對話。如果機(jī)器也能做到這樣，那么“語音喚醒”都可以省略掉了。

（歐拉蜜人臉與視線追蹤視頻截圖）

歐拉蜜正是想賦予語音機(jī)器人這樣“人性化”的功能。因此，歐拉蜜團(tuán)隊使用聲源定位并結(jié)合視線檢測（Eye Gaze Detection）技術(shù)，來幫助機(jī)器人確認(rèn)用戶的說話對象。這樣一來，機(jī)器人們除了知道你在說話，還能夠判斷出你是否是在跟它說話，并自動喚醒。