近年來(lái)，語(yǔ)音識(shí)別被視作為人機(jī)交互的入口，由于人工智能和機(jī)器學(xué)習(xí)迅猛發(fā)展，語(yǔ)音控制也變得更為實(shí)用。在接下來(lái)的幾年里智能語(yǔ)音將成為人機(jī)交互的新范式，語(yǔ)音技術(shù)將解放人類雙手和眼睛，用戶以較低的成本實(shí)現(xiàn)隨時(shí)訪問(wèn)。未來(lái)與智能家居、可穿戴設(shè)備、機(jī)器人等交互模式，智能語(yǔ)音將是最佳人機(jī)交互模式。
 

　　語(yǔ)音識(shí)別面臨三大挑戰(zhàn)：

　　語(yǔ)音識(shí)別是現(xiàn)在最為耀眼、大家生活中接觸最多的語(yǔ)音技術(shù)。近些年來(lái)，語(yǔ)音識(shí)別技術(shù)突飛猛進(jìn)，自然受到廣大公眾的極大關(guān)注。畢竟，語(yǔ)音識(shí)別的進(jìn)步代表著機(jī)器的聽力發(fā)展，是人工智能的重要一步。目前語(yǔ)音識(shí)別存在可穿戴設(shè)備的交互與通用應(yīng)用程序入口兩個(gè)急切需求。可穿戴設(shè)備因體積等原因限制，僅擁有局限輸入輸出設(shè)備。通用應(yīng)用程序入口簡(jiǎn)單點(diǎn)說(shuō)就是現(xiàn)在的VIV正在干或者說(shuō)想干的事情。VIV希望通過(guò)一個(gè)語(yǔ)音助手解決所有現(xiàn)在所需要用APP去解決的所有問(wèn)題。

　　智能語(yǔ)音存在兩大技術(shù)瓶頸：

　　1、遠(yuǎn)場(chǎng)環(huán)境復(fù)雜，夾雜噪音、混響、自噪聲等，容易導(dǎo)致機(jī)器端“聽不清”，從而影響后續(xù)一系列操作。解決了這個(gè)問(wèn)題，偏命令控制的終端便能帶來(lái)良好的用戶體驗(yàn);

　　2、更深層次的智能問(wèn)題，真正的智能需要實(shí)現(xiàn)語(yǔ)義的突破、需要聲音與視覺(jué)的融合，這樣的方案才更適合做擬人形態(tài)的機(jī)器人;

　　3、該項(xiàng)技術(shù)熟悉各種各樣的語(yǔ)言、口音和方言。也許，這一點(diǎn)在中國(guó)尤為重要。

　　快速發(fā)展需跨越三座大山：

　　要快速發(fā)展就必須跨越硬件、算法、內(nèi)容這三座大山。首先是硬件，硬件部分芯片與麥克風(fēng)陣列是核心部件。當(dāng)下的語(yǔ)音技術(shù)還只在算法階段。一類是成本較低的傳統(tǒng)語(yǔ)音模式識(shí)別技術(shù)，通過(guò)波形比較、波形匹配以及特征化實(shí)現(xiàn);另一類是基于AI技術(shù)的，由于適應(yīng)性好，可做到更加精準(zhǔn)地識(shí)別。只要芯片支持音頻輸入功能和對(duì)應(yīng)的運(yùn)算性能即可，比如CPU能夠達(dá)到ARM雙核1.2G就可滿足語(yǔ)音識(shí)別的要求，但稱之為專用的智能語(yǔ)音芯片并不嚴(yán)謹(jǐn)。其次是算法，主要包括語(yǔ)音檢測(cè)、降噪、去混響和回聲消除等傳統(tǒng)音箱和通訊工具也需要具備的基本算法。智能音箱的關(guān)鍵算法是喚醒、語(yǔ)音識(shí)別、自然語(yǔ)言理解、對(duì)話管理、自然語(yǔ)言生成和文語(yǔ)轉(zhuǎn)換等算法。第三是內(nèi)容，語(yǔ)音識(shí)別的目的是將語(yǔ)音信號(hào)轉(zhuǎn)化為文本，目前，語(yǔ)音識(shí)別技術(shù)相對(duì)成熟。聲紋識(shí)別是根據(jù)語(yǔ)音波形反映出的個(gè)人生理和行為特征的語(yǔ)音參數(shù)，并以此來(lái)識(shí)別說(shuō)話者的身份。現(xiàn)實(shí)中，該識(shí)別的準(zhǔn)確率并不如指紋、虹膜識(shí)別。這也是智能語(yǔ)音更高“智能”形態(tài)的表現(xiàn)特征。

　　小結(jié)：智能語(yǔ)音技術(shù)的發(fā)展并非一朝一夕，所以在技術(shù)層面已具有根基，現(xiàn)有的硬件與方案是可以滿足當(dāng)下智能語(yǔ)音要求的，但若在性能、成本、智能程度上更進(jìn)一層，仍需繼續(xù)深耕，因?yàn)楫a(chǎn)品的逐級(jí)落地自然就有一個(gè)不斷完善的過(guò)程。隨著人工智能的發(fā)展和深度學(xué)習(xí)技術(shù)的使用，語(yǔ)音識(shí)別準(zhǔn)確率已經(jīng)達(dá)到了95%以上。計(jì)算機(jī)和智能終端的界面正在從“鍵盤+鼠標(biāo)”變?yōu)?ldquo;麥克風(fēng)+按鈕”，智能語(yǔ)音帶來(lái)的交互新體驗(yàn)正在滲透。

　　根據(jù)數(shù)據(jù)顯示，預(yù)計(jì)到2020年，全球語(yǔ)音識(shí)別的市場(chǎng)規(guī)模將從2015年的61.9億美元增長(zhǎng)到200億美元，可以說(shuō)語(yǔ)音識(shí)別未來(lái)的市場(chǎng)發(fā)展十分有看頭。