智能家居語音控制解決方案：讓家具聽懂話 - 全文

　　在智能家居給人們帶來便捷生活的同時，人們的控制習(xí)慣逐漸發(fā)生改變。語音技術(shù)的發(fā)展也為控制入口做了一個補(bǔ)充，在拋去了傳統(tǒng)遙控器和手機(jī)APP之后，通過口令發(fā)送讓家居環(huán)境達(dá)到舒適狀態(tài)，讓生活更便捷智能，這是否會成為智能家居行業(yè)下一個階段的普遍應(yīng)用？

　　遠(yuǎn)場語音識別、云端語義辨識、人工智能應(yīng)用等等一個個技術(shù)節(jié)點(diǎn)得到新的突破，為智能家居提供了新的控制入口選擇。本文將從技術(shù)趨勢、解決方案、產(chǎn)品應(yīng)用、項(xiàng)目實(shí)施等多角度為您呈現(xiàn)語音控制技術(shù)在智能家居產(chǎn)品和集成項(xiàng)目中的應(yīng)用前景。

　　所謂智能語音產(chǎn)業(yè)，主要指通過語音合成技術(shù)和語音識別技術(shù)，為用戶提供各種服務(wù)的產(chǎn)業(yè)。一般來說，用戶只需要用說話的方式給服務(wù)終端發(fā)布命令，就能得到相應(yīng)的服務(wù)。這一產(chǎn)業(yè)從上世紀(jì)六十年代就已出現(xiàn)，但并不為普通消費(fèi)者所熟知，消費(fèi)者對其認(rèn)知度也比較低。近年來，隨著蘋果、谷歌、微軟等公司先后推出 Siri等智能語音服務(wù)，這一服務(wù)以及相關(guān)產(chǎn)業(yè)也開始被普通消費(fèi)者和投資界所關(guān)注。

　　語音控制技術(shù)

　　與機(jī)器進(jìn)行語音交流，讓機(jī)器明白你說什么，這是人們長期以來夢寐以求的事情。語音識別技術(shù)就是讓機(jī)器通過識別和理解過程把語音信號轉(zhuǎn)變?yōu)橄鄳?yīng)的文本或命令的技術(shù)。

　　語音識別是一門交叉學(xué)科，語音識別技術(shù)與語音合成技術(shù)結(jié)合使人們能夠甩掉鍵盤，通過語音命令進(jìn)行操作，語音技術(shù)的應(yīng)用已經(jīng)成為一個具有競爭性的新興高技術(shù)產(chǎn)業(yè)。

　　目前語音控制技術(shù)存在的問題

　　目前，對于語音控制類的智能硬件產(chǎn)品在很多場景下因語音交互體驗(yàn)不如人意而深受詬病，究其原因主要是受限于空間距離、背景噪音、其他人聲干擾、回聲、混響等多重復(fù)雜因素，進(jìn)而導(dǎo)致的識別距離近、識別率低等明顯痛點(diǎn)。

　　除此之外，單是中國語系、方言和口音就相當(dāng)多，加上中文的多語義性，所以不同地區(qū)的人使用語音控制識別率差異較大。同時，在語義識別上，也存在上下文的關(guān)聯(lián)帶來識別的學(xué)習(xí)難、定位難和建立模型難等問題。

　　語音識別的幾種控制技術(shù)

　　“語音識別”技術(shù)相當(dāng)于給計算機(jī)系統(tǒng)安裝上“耳朵”，使其具備“能聽”的功能。該技術(shù)經(jīng)過語音信號處理、語音特征處理、模型訓(xùn)練及解碼引擎等復(fù)雜步驟，使機(jī)器最終能夠?qū)⒄Z音中的內(nèi)容、說話人、語種等信息識別出來。語音控制功能的實(shí)現(xiàn)，與用戶的使用習(xí)慣高度關(guān)聯(lián)。目前的語音控制功能實(shí)現(xiàn)方式可分為近場語音識別和遠(yuǎn)場語音識別二個大類。

　　近場/遠(yuǎn)場語音識別技術(shù)

　　近場語音識別，需要用戶點(diǎn)擊啟動，并且用戶與終端設(shè)備的距離比較近，如手機(jī)或其他終端設(shè)備，可直接借助這些終端設(shè)備的實(shí)現(xiàn)控制功能。

　　遠(yuǎn)場語音識別，以麥克風(fēng)陣列遠(yuǎn)距離拾取的語音數(shù)據(jù)作為輸入數(shù)據(jù)，通過語音識別的算法將語音信號轉(zhuǎn)寫成文字的技術(shù)。雖然和近場語音識別技術(shù)在原理上是相同的，但是由于音源和麥克風(fēng)之間的空間距離增大，在聲波傳播過程中會出現(xiàn)信號強(qiáng)度的衰減和各種噪音干擾，因此需要特殊的語音數(shù)據(jù)拾取和預(yù)處理技術(shù)。不同的拾取設(shè)備和預(yù)處理技術(shù)常常會使用于語音識別的聲波信號特征發(fā)生改變，因此針對不同的遠(yuǎn)場語音拾取技術(shù)，需要對語音識別引擎進(jìn)行定制化適配和優(yōu)化。

　　當(dāng)語音信號在傳播過程中有所衰減，影響采集信號的強(qiáng)度和分辨率，使用的靈敏度非常高的指向性麥克風(fēng)，同時將麥克風(fēng)的參數(shù)調(diào)整到適合遠(yuǎn)場語音數(shù)據(jù)的模式，可以最大限度采集清晰的遠(yuǎn)場語音信號。語音指令聲波在傳輸過程中受到周圍噪音的污染，降低聲波信號的信噪比，使用定向波速成形技術(shù)，抑制方向外的噪音，從而減少噪音對語音信號的干擾。在一個房間里，麥克風(fēng)拾取的聲波不僅僅直接來自于音源，還有音源發(fā)出后經(jīng)過墻壁反射的遲到的聲波，形成聲音的殘留，造成混響。利用多個麥克風(fēng)采集的數(shù)據(jù)，通過多通道回聲消除算法，將這些不同時間達(dá)到的聲音數(shù)據(jù)分離開來，從而消除了混響對聲音數(shù)據(jù)的影響。

　　喚醒目標(biāo)檢測技術(shù)

　　在遠(yuǎn)距離用語音進(jìn)行操控的時候，聲音可能來自不同方向的不同人。因此首先要確定哪些是發(fā)指令的聲音，哪些不是。使用的麥克風(fēng)陣列波速成形算法，將360 度空間垂直劃分成若干區(qū)域，每個麥克風(fēng)負(fù)責(zé)檢測一個指定的區(qū)域。當(dāng)某個空間區(qū)域里面檢測到有喚醒詞出現(xiàn)時，對應(yīng)于該空間區(qū)域的麥克風(fēng)拾音功能就被增強(qiáng)，其他區(qū)域的麥克風(fēng)拾音就被抑制。從而實(shí)現(xiàn)了對聲音進(jìn)行有方向有角度的拾取，避免了周圍電視機(jī)里的說話聲音、其他人交談對語音指令的影響。

　　播放狀態(tài)打斷技術(shù)

　　在對音箱等設(shè)備進(jìn)行語音控制時，往往該設(shè)備處于播放歌曲的狀態(tài)。由于麥克風(fēng)安裝在音箱上，麥克風(fēng)和說話人之間的距離要遠(yuǎn)大于麥克風(fēng)和揚(yáng)聲器之間的距離，在這樣的情況下，采用內(nèi)外兼顧的方法進(jìn)行解決。內(nèi)部使用特殊的回聲消除算法從內(nèi)部減小噪音對麥克風(fēng)的影響。另外對于震動帶來的非線性干擾，傳統(tǒng)的線性回聲消除方法失效了，因此可以使用非線性回聲消除算法提高內(nèi)部噪聲消除的效果。在外部結(jié)構(gòu)設(shè)計方面，使用精心設(shè)計的麥克風(fēng)陣列減震結(jié)構(gòu)，使多個麥克風(fēng)和它所連接的電路板之間的震動減小到最小，從而最大程度的控制高聲強(qiáng)導(dǎo)致的音箱本體震動對拾音的干擾。

　　成熟的語音控制應(yīng)用解決方案

　　科大訊飛作為中國最大的智能語音技術(shù)提供商，在智能語音技術(shù)領(lǐng)域有著長期的研究積累，并在中文語音合成、語音識別、口語評測等多項(xiàng)技術(shù)上擁有國際領(lǐng)先的成果。對于智能家居語音控制的應(yīng)用，必須解決好距離、效率、個性化、方言、喚醒等問題，科大訊飛在這些方面都有非常成熟的解決方案。

　　距離：遠(yuǎn)場識別技術(shù)打破距離瓶頸

　　近場識別技術(shù)目前已經(jīng)比較成熟，現(xiàn)在手機(jī)上使用的語音輸入功能就屬于近場識別技術(shù)，用戶必須在離手機(jī)比較近的距離內(nèi)說話，但在智能家居環(huán)境中，用戶和智能終端之間的距離被大大增加了，用戶能隨意用語音控制智能家居的一個必要條件就是在無論你在客廳哪個角落發(fā)出指令，設(shè)備都能準(zhǔn)確的識別，語音識別技術(shù)必須突破距離的障礙。

　　目前室內(nèi)的語音交互受到背景噪音、其他人聲干擾、回聲、混響等多重復(fù)雜因素影響，導(dǎo)致識別率低甚至無法使用，只能在相對安靜、近距離的環(huán)境下使用。而遠(yuǎn)場識別技術(shù)將能夠很好的解決這些問題。

　　科大訊飛于2015年3月發(fā)布遠(yuǎn)場識別技術(shù)，是目前唯一支持超過5米的語音識別技術(shù)，突破了語音交互距離瓶頸，大幅度改進(jìn)了語音交互的自由度。該技術(shù)利用麥克風(fēng)陣列的空域?yàn)V波特性——在目標(biāo)說話人方向形成拾音波束（BeamForming），抑制波束之外的噪聲，結(jié)合獨(dú)特的去混響算法，最大程度的吸收反射聲，從而達(dá)到去除混響的目的，用戶在客廳的任意角落通過語音操控智能家電已成為現(xiàn)實(shí)。

　　效率：快速反應(yīng)實(shí)現(xiàn)秒懂

　　近年來，隨著深度學(xué)習(xí)理論的爆發(fā)式發(fā)展及其在語音識別領(lǐng)域獲得的顯著效果，同時Kaldi等開源語音識別工具也在工業(yè)界和學(xué)術(shù)界逐漸普及，語音識別的門檻持續(xù)降低，許多公司都具備了語音識別的能力及相關(guān)產(chǎn)品，但是一些產(chǎn)品反應(yīng)慢，說出一句話往往要等待很久才能顯示結(jié)果，另外，準(zhǔn)確率也不高，存在識別不出來的情況。

　　針對語音識別準(zhǔn)確率和響應(yīng)速度的問題，科大訊飛持續(xù)在核心技術(shù)和產(chǎn)品特性上做出創(chuàng)新，在把國際領(lǐng)先的深度神經(jīng)網(wǎng)絡(luò)技術(shù)引入語音識別的基礎(chǔ)上，基于深度神經(jīng)網(wǎng)絡(luò)的語音增強(qiáng)算法對輸入語音進(jìn)行“識別關(guān)鍵信息無損”的降噪，通過海量訓(xùn)練語料基礎(chǔ)上的高精度聲學(xué)模型和語言模型訓(xùn)練，并結(jié)合極致的解碼引擎工程技術(shù)，實(shí)現(xiàn)了在很小延遲的情況下，做到將去除原始語音的噪聲干擾和識別幾乎同時，大大提高了語音輸入的響應(yīng)速度和用戶體驗(yàn)，在大詞匯連續(xù)語音識別率上可以達(dá)到95%以上，命令詞識別率達(dá)到99%以上，解碼引擎可以在用戶說完話40毫秒之內(nèi)給出結(jié)果，真正實(shí)現(xiàn)“秒懂”。

　　個性化：自動學(xué)習(xí)適應(yīng)用戶使用習(xí)慣

　　每個人在說話時，口音、語速、口頭禪都不一樣，那么家里的智能設(shè)備只會識別一些基本詞句顯然是遠(yuǎn)遠(yuǎn)不夠的，它們必須要更懂你。比如，懂你的口音、方言、口頭禪以及時不時蹦出的專業(yè)詞匯等。

　　讓智能設(shè)備適應(yīng)每個人的使用習(xí)慣可能嗎？答案是肯定的。這里要用的到就是語音識別的另外一項(xiàng)關(guān)鍵技術(shù)——個性化識別技術(shù)。個性化識別指的是語音識別系統(tǒng)具備自動學(xué)習(xí)并適應(yīng)用戶使用習(xí)慣的能力，你用的越多，它越懂你。一般來說，個性化識別包括發(fā)音和語言兩方面。其中發(fā)音個性化主要是指系統(tǒng)對用戶語速、口音等發(fā)音習(xí)慣的學(xué)習(xí)，而語言個性化主要是指系統(tǒng)可以對用戶的特定詞匯，例如人名、地名、口頭禪、專業(yè)詞匯等，具備更好的辨識性。

　　目前科大訊飛的個性化識別技術(shù)已能針對每個人的興趣點(diǎn)、知識背景等來進(jìn)行個性化語言模型建模，從而準(zhǔn)確識別出個性化的詞匯內(nèi)容。以后你用的越多，語音識別系統(tǒng)就會越懂你。

　　方言：無拘束隨心控制

　　眾所周知，中國的語音及語言博大精深，雖然國家在推廣標(biāo)準(zhǔn)普通話方面不遺余力，但是中國真正掌握標(biāo)準(zhǔn)普通話的人群比例還是比較低的，而中國的口音現(xiàn)象則是紛繁復(fù)雜，同城市中不同口音的情況也很常見。因此，當(dāng)這些帶有或輕或重口音的人群在使用語音輸入時，如果按通常的方法使用標(biāo)準(zhǔn)普通話數(shù)據(jù)進(jìn)行模型的訓(xùn)練，就會產(chǎn)生很嚴(yán)重的適配問題，從而影響語音輸入時的識別效果。

　　“方言”現(xiàn)在也不再是語音識別的障礙，得益于各類方言豐富的音頻數(shù)據(jù)、特殊詞匯、發(fā)音現(xiàn)象等專業(yè)資源以及充分利用深度神經(jīng)網(wǎng)絡(luò)的自學(xué)習(xí)特色，目前，訊飛輸入法已經(jīng)陸續(xù)支持四川話、河南話、東北話、天津話等15種方言識別，這些方言識別能力同樣適用于智能家居環(huán)境中。以后，無論你使用普通話還是方言，無論你說話語速快還是慢，普通話標(biāo)不標(biāo)準(zhǔn)，在家里都能自由地使用語音控制智能設(shè)備。

　　語音喚醒：真正解放雙手

　　由于功耗等方面的限制，智能設(shè)備很難24小時都保持在激活狀態(tài)。因此，要想在家里自由地控制智能家居設(shè)備，我們還需要能即時“喚醒”功能，也就是給智能設(shè)備加入“語音喚醒”技術(shù)。

　　語音喚醒，是指通過含有特定喚醒詞的語音輸入來“觸發(fā)”語音識別系統(tǒng)以實(shí)現(xiàn)后續(xù)的語音交互。通過該技術(shù)，任何人在任何環(huán)境、任何時間，無論是近場還是遠(yuǎn)場，面向設(shè)備直接說出預(yù)設(shè)的喚醒詞，就能激活產(chǎn)品的識別引擎，從而真正實(shí)現(xiàn)全程無觸控的語音交互。

　　除了說單個喚醒詞實(shí)現(xiàn)喚醒外，更自然便捷、在技術(shù)上更具有挑戰(zhàn)性的交互方式是在連續(xù)語流中帶上喚醒詞，以實(shí)現(xiàn)喚醒產(chǎn)品并同時實(shí)現(xiàn)操控的效果。目前，語音喚醒方案已在部分產(chǎn)品中取得成功應(yīng)用，比如在靈犀語音助手中，說出“靈犀靈犀，打電話給張三”就可以喚醒設(shè)備并自動完成人名識別與撥打電話。

　　國內(nèi)外語音控制的市場現(xiàn)狀

　　隨著智能家居市場的發(fā)展，國外的IT巨頭們已先后以智能家居產(chǎn)品與語音相結(jié)合的方式進(jìn)入智能家居領(lǐng)域：谷歌收購NEST布局智能家居，不斷強(qiáng)化 Google Now的語音入口；蘋果HomeKit智能家居平臺與Siri也不斷加強(qiáng)融合；市場上流行的Echo智能音箱使用了亞馬遜的Alexa語音技術(shù)；微軟也發(fā)布語音助手Cortana，將它作為智能家庭領(lǐng)域擴(kuò)展交互入口。從這些國外科技大佬們對語音產(chǎn)業(yè)的重視和投入，可以看出智能語音與智能家居的融合是大勢所趨，業(yè)內(nèi)普遍認(rèn)為語音作為人類信息最自然、最便捷的交互方式，必將成為未來智能家居設(shè)備中的重要組成部分。

　　在國內(nèi)，語音巨頭科大訊飛也在去年8月宣布進(jìn)軍智能家居市場，并于今年3月攜手京東成立合資公司——北京靈隆科技，推出了其生產(chǎn)第一個產(chǎn)品——DingDong智能音箱，除了具備音箱的基本功能，還可以作為語音助手，更是智能硬件的控制中樞。除此之外，百度、騰訊等都在打造自己的語音團(tuán)隊。

　　隨著國內(nèi)外巨頭們對語音交互領(lǐng)域投入的增加，語音核心技術(shù)正逐步成熟。智能家居作為 IT 產(chǎn)業(yè)和制造工業(yè)向個人家居領(lǐng)域滲透發(fā)展的必然結(jié)果，語音技術(shù)正不斷進(jìn)入智能家居領(lǐng)域滲透，市場前景廣闊。

　　小貼士

　　Siri是iOS系統(tǒng)上的語音系統(tǒng)，與Siri對話，就和跟朋友對話一樣，可以幫您做很多事情，例如發(fā)短信、打電話、預(yù)定餐廳、問路等等。也能與 Siri做一些很有趣的互動，例如讓它幫您拋硬幣或者占卜星座。Siri可以在免提模式下工作，可以通過Siri進(jìn)行語音操作導(dǎo)航尋找最佳駕車路線。 Siri也可以與HomeKit一起工作以實(shí)現(xiàn)通過語音來控制家里的智能產(chǎn)品。Siri還能對接維基百科、Yelp、爛番茄、Shazam等許多第三方在線服務(wù)平臺，幫助用戶更多地了解與關(guān)注世界。

　　語音交互對于智能家居行業(yè)的意義

　　科技讓生活更智能，語音讓交互更便捷。語音交互對于智能家居最直接的意義在于將“智能家居”變得真正的智能起來。無論是再技術(shù)先進(jìn)的品牌，再友善的人機(jī)交互界面，都沒有語音交互控制來的簡便直接。所有品牌、所有產(chǎn)品以一個智能控制的概念進(jìn)駐到人們息息相關(guān)的日常生活中的時候，少不了需要一個學(xué)習(xí)和適應(yīng)的過程，而語音則不需要，我們所有的日常交流、行為習(xí)慣，語言和聲音已經(jīng)成了人們思維中的一部分。所以，如果智能家居能與語音交互融于一體，那么智能家居產(chǎn)業(yè)也許會迎來一次劃時代的突破。