智能家居語音技術(shù)發(fā)展現(xiàn)狀

電子發(fā)燒友網(wǎng)報(bào)道（文/黃山明）智能家居之所以被冠以“智能”的名義，其中非常重要的一點(diǎn)便是人機(jī)交互。通常智能家居的交互方式有許多種，生物識(shí)別技術(shù)便是其中之一，常用的有手勢(shì)控制、指紋識(shí)別、語音控制等等。

但從智能語音市場(chǎng)來看，近些年來國(guó)內(nèi)相關(guān)市場(chǎng)持續(xù)穩(wěn)定增長(zhǎng)，需求旺盛，據(jù)中國(guó)語音產(chǎn)業(yè)聯(lián)盟數(shù)據(jù)顯示，2021年中國(guó)智能語音產(chǎn)業(yè)市場(chǎng)規(guī)模將達(dá)到285億元，預(yù)計(jì)同比增長(zhǎng)44%。

如果從網(wǎng)絡(luò)來區(qū)分，語音控制通常分為兩種，一種為離線語音，另一種為在線語音。

所謂離線語音，也被稱為本地語音，顧名思義便是儲(chǔ)存在本地設(shè)備中的固定命令詞，這種命令詞匯通常比較簡(jiǎn)短，方便用于喚醒與控制。

相比在線語音，離線語音的優(yōu)勢(shì)在于無需聯(lián)網(wǎng)，不需要后臺(tái)服務(wù)器，響應(yīng)快速，低延時(shí)。低成本、低功耗、體積小，支持多樣化命令詞定制開發(fā)等都是離線語音的優(yōu)勢(shì)，同時(shí)為了保證能夠成功喚醒命令詞，相比在線語音，其語音識(shí)別率會(huì)有相應(yīng)的降低。不過盡管如此，如今的離線語音識(shí)別率已經(jīng)達(dá)到了95%以上。

當(dāng)然，離線語音的劣勢(shì)也在于命令詞比較固定，采用離線語音只不過是將傳統(tǒng)的控制方式改為語音操控，但如果要真正做到人機(jī)交互的程度，還遠(yuǎn)遠(yuǎn)不夠。

并且相比在線方案，離線語音的開發(fā)周期偏久，因?yàn)榱慨a(chǎn)的離線語音產(chǎn)品都需要重新錄詞并進(jìn)行訓(xùn)練。

這時(shí)候就體現(xiàn)出在線語音的優(yōu)勢(shì)，不再受到命令詞長(zhǎng)度和條數(shù)的限制，廠商開發(fā)也比較方便，市場(chǎng)方案有很多的選擇。

這也意味著用戶可以用更加豐富的詞匯與設(shè)備進(jìn)行交互，而不只是局限在幾個(gè)固定的命令詞上。

不過相應(yīng)地，由于需要聯(lián)網(wǎng)，在線語音對(duì)于網(wǎng)絡(luò)要求較高，同時(shí)響應(yīng)速度也相對(duì)較慢，并且體積也相對(duì)較大，成本較高，這都是目前智能在線語音的一些弊端。

從目前情況來看，智能語音在語音識(shí)別率上已經(jīng)有了長(zhǎng)足的進(jìn)步，但這項(xiàng)技術(shù)背后涉及的聲學(xué)研究、模式識(shí)別研究、通用NLP研究以及垂直場(chǎng)景的深度語義理解等還遠(yuǎn)遠(yuǎn)沒有達(dá)到完善的地步。智能語音在交互體驗(yàn)、使用效果、場(chǎng)景性優(yōu)化等方面還需要持續(xù)優(yōu)化。

國(guó)內(nèi)也有數(shù)家在智能語音方面較為優(yōu)秀的企業(yè)，如科大訊飛已經(jīng)是國(guó)內(nèi)智能語音的代表企業(yè)，在實(shí)時(shí)語音翻譯上走在了行業(yè)的前列。

還有如搜狗，從2012年開始在輸入法與地圖上加入語音輸入功能，通過多年用戶大數(shù)據(jù)的沉淀與積累，搜狗提升了用戶日常生活中表達(dá)、傳遞信息的效率，用軟硬件結(jié)合起來形成商業(yè)閉環(huán)。

云知聲也在2012年將深度神經(jīng)網(wǎng)絡(luò)應(yīng)用于語音識(shí)別系統(tǒng)，在那時(shí)，云知聲已經(jīng)建立起完整的人工智能語音技術(shù)體系，實(shí)現(xiàn)對(duì)核心技術(shù)的自主可控，并開始人工智能語音技術(shù)商業(yè)化落地的早期探索。

在產(chǎn)品上，云知聲也具備了使智能家居擁有3-5畝的高精度語音控制能力。

思必馳同樣是國(guó)內(nèi)專業(yè)的對(duì)話式人工智能平臺(tái)公司，創(chuàng)立于2007年，目前不僅在語音識(shí)別率上有了大幅提升，同時(shí)在識(shí)別精度上也有了新的進(jìn)展。比如其最新推出的直面喚醒技術(shù)，可以模擬真人使用情況，優(yōu)先朝向結(jié)合距離選擇被喚醒的設(shè)備。

距離相同情況下，聲音朝向的位置先喚醒；聲音朝向相同的情況下，可以讓距離更近的先喚醒。這在如今大多數(shù)智能設(shè)備都具備語音喚醒功能情況下，有較大的商用價(jià)值。

依圖科技則是語音識(shí)別、NLP、聲紋識(shí)別間距的人工智能公司，目前依圖結(jié)合自身對(duì)企業(yè)級(jí)和公共級(jí)市場(chǎng)的服務(wù)經(jīng)驗(yàn)，將智能語音相關(guān)技術(shù)與多應(yīng)用場(chǎng)景相結(jié)合，在智能家居領(lǐng)域也有不小的突破。

依圖科技基于深度學(xué)習(xí)的自然語言理解技術(shù)在過去幾年取得了長(zhǎng)足的進(jìn)步，分別在建模方式、問題描述、無監(jiān)督學(xué)習(xí)上有質(zhì)的突破，體現(xiàn)在單個(gè)任務(wù)上取得比傳統(tǒng)算法顯著更高的準(zhǔn)確率。

總體來看，當(dāng)前自然語言理解技術(shù)仍有較多難點(diǎn)需要解決，如算法上還需要改進(jìn)建模方式，引入實(shí)體概念，增強(qiáng)模型的邏輯性；另外，還需要對(duì)現(xiàn)有模型進(jìn)行加速使得應(yīng)用的成本更低。當(dāng)前自然語言理解技術(shù)逐步成熟，已被應(yīng)用于智能音箱、智能客服、翻譯、智能文檔分析等多個(gè)場(chǎng)景。