智能語音技術(shù)將引領(lǐng)人機交互的新模式

邊錄音邊自動轉(zhuǎn)寫成文字的智能錄音筆，支持中文與58種外語互譯的新一代翻譯機、模仿不同人說話的虛擬主播、供開發(fā)者使用的語音開放平臺。在科大訊飛股份有限公司北京總部的人工智能體驗中心，眾多人工智能與語音融合的前沿技術(shù)項目令記者大開眼界。

在即將到來的萬物互聯(lián)時代，語音作為人類最自然、最便捷的溝通方式，將會成為所有設(shè)備和產(chǎn)品至關(guān)重要的入口。業(yè)界普遍認為，未來的人機交互將以語音為主、鍵盤和觸摸為輔。

近年來，隨著智能語音應(yīng)用場景和手段不斷豐富，國內(nèi)眾多技術(shù)廠商在語音合成、語音識別、自然語言理解等人工智能核心技術(shù)領(lǐng)域持續(xù)發(fā)力。有理由相信，智能語音技術(shù)將給人們生活帶來更為深刻的改變。

提起科大訊飛，很多人會想到其主打語音輸入特色的“訊飛輸入法”。這款早在2010年就推出的軟件，版本號已經(jīng)到了第9代。語音輸入速度達到1分鐘400字，并支持多種方言，準確率超過98%。在科大訊飛人工智能體驗中心，工作人員安琪向記者演示了包括訊飛輸入法、訊飛聽見、訊飛有聲等在內(nèi)的多個軟硬件產(chǎn)品。

“現(xiàn)在我們看到的就是一個離線轉(zhuǎn)寫設(shè)備，叫訊飛聽見智能會議系統(tǒng)，是全球第一款中文語音實時轉(zhuǎn)寫和多語種實時翻譯的系統(tǒng)……”安琪說了一段話，系統(tǒng)立即在屏幕上輸出準確的中文和翻譯后的英文。工作人員在演示可用于大型會議翻譯的訊飛聽見智能會議系統(tǒng)，說一段話，屏幕上同時顯示出中文和英語譯文。

據(jù)介紹，今年全國兩會期間，代表委員們在小組討論中的發(fā)言被這套系統(tǒng)“滴水不漏”地記錄下來。以前的小組討論，需配兩三名工作人員，會后重聽錄音是常態(tài)。有了“訊飛聽見”，只需配一名工作人員，會后半個小時就能得到準確的會議記錄。

語音識別就好比“機器的聽覺系統(tǒng)”，能夠把語音信號轉(zhuǎn)變?yōu)橄鄳?yīng)的文本或命令。安琪介紹，隨著深度學(xué)習(xí)技術(shù)快速發(fā)展，科大訊飛在語音識別任務(wù)中率先實現(xiàn)規(guī)模應(yīng)用。2015年，在公證人員的見證下，科大訊飛機器語音轉(zhuǎn)寫準確率首次超過速記員。針對于噪聲環(huán)境下語音識別的挑戰(zhàn)，科大訊飛在國際最權(quán)威的多通道語音分離和英文識別大賽（2016年CHiME-4和2018年CHiME-5）中，連續(xù)兩屆所有場景下均取得了世界第一。

另一款能快速轉(zhuǎn)寫錄音的小型設(shè)備吸引了記者的注意，這是今年5月新推出的訊飛智能錄音筆。

“在研發(fā)之初，我們經(jīng)過調(diào)研發(fā)現(xiàn)，81%的傳統(tǒng)錄音筆用戶真正需要的不是錄音，而是錄音整理出的文字。像記者采訪、會議記錄這些場景，錄完音后都需要及時將文字內(nèi)容快速整理出?！卑茬髡f，訊飛智能錄音筆在聯(lián)網(wǎng)狀態(tài)下，1小時的錄音出稿只需5分鐘，中文普通話識別準確率高達98%，真正打通了從錄音到轉(zhuǎn)寫再到分享以及后端查找編輯的全鏈條服務(wù)。

智能音箱是如今語音識別技術(shù)的熱門應(yīng)用。市場研究機構(gòu)最新數(shù)據(jù)顯示，中國已成為全球最大的智能音箱市場，僅今年第一季度銷量就達到1060萬臺?？拼笥嶏wMORFEI麥克風(fēng)產(chǎn)品原型，搭載4+4雙環(huán)結(jié)構(gòu)麥克風(fēng)，可實現(xiàn)遠場空間全方位拾音。

通常情況下，每次對智能音箱下指令前，都需要提關(guān)鍵詞來喚醒，顯得“不夠智能”。而科大訊飛推出的MORFEI麥克風(fēng)，內(nèi)置了AIUI全雙工語音交互解決方案，可以實現(xiàn)一次喚醒、連續(xù)問答。其遠場語音識別技術(shù)，更是能在5米距離下達到95%以上的喚醒率、93%的識別率。

同樣受益的還有汽車領(lǐng)域。通過融合語音、視覺等感知技術(shù)，分析駕駛行為數(shù)據(jù)，整合優(yōu)質(zhì)內(nèi)容資源，科大訊飛推出的飛魚智行智能車載交互系統(tǒng)，將語音增強、自然語言理解等技術(shù)應(yīng)用于汽車，并與各場景服務(wù)深度結(jié)合。