智能語音發(fā)展如火如荼

根據(jù)《2018中國智能語音行業(yè)前景研究報告》，2017年中國的智能語音市場規(guī)模已經(jīng)達到了105.71億元，比2016年增長了70%，而2018年這個規(guī)模預(yù)計將繼續(xù)擴大三分之一，達到159.7億元。

國內(nèi)的行業(yè)規(guī)模越來越大，但從技術(shù)角度看，目前的智能語音發(fā)展到了什么階段呢？我們先從頭開始說。

上世紀50年代到60年代，語音識別研究著眼于單個字詞到連續(xù)語音的識別，當時最大的困境是對相關(guān)數(shù)據(jù)的計算能力的低下，這直接導(dǎo)致該時期研究進展極其緩慢。到了70年代，計算機性能大幅提升，之前的問題便不復(fù)存在，并且隨著計算機軟硬件技術(shù)的高速發(fā)展，該研究已不再受困于計算能力，人們便開始將研究重點放在數(shù)據(jù)算法的優(yōu)化提升上，并將這一方向保持至今。

簡單來講，這個方向的問題解決方案是基于一個框架，通過對框架內(nèi)的各部分進行改進，最終向著識別的極限正確率邁進。各部分中，聲學模型和語言模型的構(gòu)建，則是整個方案中的研究焦點。

80年代末李開復(fù)將隱馬爾科夫模型與高斯混合模型（GMM）相結(jié)合進行語音識別建模，開發(fā)出世界上第一個“非特定人連續(xù)語音識別系統(tǒng)”,即SPHINX系統(tǒng)。隨后，主流的GMM-HMM技術(shù)框架的發(fā)展日益穩(wěn)定，但語音識別效果難以轉(zhuǎn)向應(yīng)用化的局面長時期沒有被打破，這意味著語音識別技術(shù)又遇到了瓶頸。

轉(zhuǎn)機出現(xiàn)在2006年。這一年，深度學習的概念被辛頓提出，深度神經(jīng)網(wǎng)絡(luò)（Deep Neural Network，DNN）研究因此而復(fù)蘇。2009年，辛頓和他的學生將深度神經(jīng)網(wǎng)絡(luò)應(yīng)用于語音的聲學建模上并獲得成功。到了2010年前后，微軟研究院的俞棟、鄧力等人將深度學習在圖像領(lǐng)域的突破移植到語音識別領(lǐng)域，使識別錯誤率降低了20%以上。從此，基于GMM-HMM的語音識別框架被打破，人們開始轉(zhuǎn)向基于DNN-HMM的語音識別模型的研究。

從2011年到2018年，以深度神經(jīng)網(wǎng)絡(luò)為基礎(chǔ)的語音識別建模技術(shù)迅速發(fā)展，語音識別乃至語音交互行業(yè)呈現(xiàn)出這樣一個現(xiàn)象：全世界范圍內(nèi)的企業(yè)的建模技術(shù)萬變不離“深度神經(jīng)網(wǎng)絡(luò)”這一宗，雖大同小異但又各顯神通。

技術(shù)篇：語音識別和NLP技術(shù)仍不成熟

智能語音語義包含語音合成、語音識別和自然語言處理（NLP）三項主要技術(shù)。

語音合成技術(shù)發(fā)展最早，應(yīng)用已較為普遍，除了合成音仍偏機械之外，基本不存在太大技術(shù)問題；語音識別在2012年卷積神經(jīng)網(wǎng)絡(luò)（CNN）應(yīng)用之后，準確率大幅提升，已經(jīng)在C端、B端得到了廣泛應(yīng)用，但效果和體驗還不夠理想；NLP技術(shù)雖然在搜索引擎中早有應(yīng)用，但在人機交互領(lǐng)域仍屬于淺層處理。

語音識別“魯棒性“問題顯著

在生物學中，有個術(shù)語叫做“魯棒性”，是指系統(tǒng)在擾動或不確定的情況下，仍能保持它的特征行為。這一問題在語音識別領(lǐng)域也存在。

語音識別整個過程包含語音信號處理、靜音切除、聲學特征提取、模式匹配等多個環(huán)節(jié)。由于語音信號的多樣性和復(fù)雜性，系統(tǒng)只能在一定限制條件下才能獲得滿意效果。在真實使用場景中，考慮到遠場、方言、噪音、斷句等問題，準確率會大打折扣。目前業(yè)內(nèi)普遍宣稱的97%識別準確率，更多的是人工測評結(jié)果，只在安靜室內(nèi)的進場識別中才能實現(xiàn)。

要解決語音識別魯棒性問題，需要在技術(shù)和產(chǎn)品兩方面進行優(yōu)化。一方面，在語音增強、麥克風陣列以及說話人分離等多項技術(shù)領(lǐng)域持續(xù)投入，并結(jié)合后端語義，促進對上下文的理解，從而提升識別效果；另一方面，需要從產(chǎn)品設(shè)計上進行優(yōu)化，比如通過進一步交互，使語音識別變得更為準確。

語義分析仍是淺層處理

NLP技術(shù)大致包含三個層面：詞法分析、句法分析、語義分析，三者之間既遞進又相互包含。

詞義消歧是NLP技術(shù)的最大瓶頸。機器在切詞、標注詞性、并識別完后，需要對各個詞語進行理解。由于語言中往往一詞多義，人在理解時會基于已有知識儲備和上下文環(huán)境，但機器很難做到。雖然系統(tǒng)會對句子做句法分析，可以在一定程度上幫助機器理解詞義和語義，但實際情況并不理想。

目前，機器對句子的理解還只能做到語義角色標注層面，即標出句中的句子成分和主被動關(guān)系等，它屬于比較成熟的淺層語義分析技術(shù)。未來要讓機器更好地理解人類語言，并實現(xiàn)自然交互，還是需要依賴深度學習技術(shù)，通過大規(guī)模的數(shù)據(jù)訓練，讓機器不斷學習。當然，在實際應(yīng)用領(lǐng)域中，也可以通過產(chǎn)品設(shè)計來減少較為模糊的問答內(nèi)容，以提升用戶體驗。

由于人工智能技術(shù)對數(shù)據(jù)依賴性極高，因此，這一領(lǐng)域的技術(shù)進步和產(chǎn)業(yè)化推進是一種協(xié)同關(guān)系——通過工程化的方法提升技術(shù)效果和體驗，從而促進產(chǎn)業(yè)化應(yīng)用，再根據(jù)實際應(yīng)用中的數(shù)據(jù)和反饋，反過來推動技術(shù)實現(xiàn)突破。那么，智能語音語義在產(chǎn)業(yè)化方面都有哪些應(yīng)用領(lǐng)域，又存在哪些問題？

應(yīng)用篇：C端提升體驗，B端提升效率

以問答和聊天為服務(wù)形式，智能語音語義在多個使用場景和行業(yè)領(lǐng)域都有廣泛應(yīng)用，我們可以簡單從C端和B端兩個方向分別來看。

C端應(yīng)用方面，主要用于移動設(shè)備、汽車、家居三大場景，用來變革原有人機交互方式；B端則針對垂直行業(yè)需求，提升人工效率，比如幫助醫(yī)生做電子病歷錄入，或代替部分人力工作，比如回答大部分簡單重復(fù)的客服問題。由于兩大領(lǐng)域解決的問題不同，因此遇到的挑戰(zhàn)也各不相同。

特別地，在智能機器人的應(yīng)用方面，目前的機器人與用戶一般都會采用相互問答的小型對話形式進行交流。為實現(xiàn)上方便，問答對話的領(lǐng)域?qū)⒈贿M行合理的限制。

除迎賓和問候語外，一般設(shè)計為4個問題域：有關(guān)時間、日期和星期的問答，有關(guān)全世界各大城市所在時區(qū)和當?shù)貢r間的問答，100以內(nèi)的數(shù)學四則運算題目的問答，沒有關(guān)系機器人的身世、本領(lǐng)等自身情況的問答。對于每個限定的問題域，相應(yīng)詞匯表的大小是有限的。在限定領(lǐng)域、有限詞匯的條件下，機器人基本可以與觀眾進行自由問答，并可以在不同的問題與之間相互切換。系統(tǒng)工作流程圖如下：