共同把脈智能+驅(qū)動，洞悉資本市場新規(guī)則。12 月 8 日，由九宇資本、智東西、犀牛之

　　星、極果、六合咨詢共同主辦的“2016 智能+未來峰會”在北京北京 JW 萬豪酒店揭開大幕。

　　在這場近六百人的行業(yè)盛會上，來自投資界、創(chuàng)業(yè)圈和產(chǎn)業(yè)鏈各方 40 余位大佬登臺演講交

　　鋒，圍繞“新經(jīng)濟(jì)、新智能、新三板”主題，探討產(chǎn)業(yè)變革中的投資機(jī)會、人工智能時代下的

　　新消費模式、汽車的智能化未來等，帶來最前沿的實踐、思考和判斷。

　　在下午的演講環(huán)節(jié)中，科大訊飛研究院副院長王士進(jìn)發(fā)表了名為“智能人機(jī)交互與萬物

　　互聯(lián)產(chǎn)業(yè)浪潮”的主題演講，詳細(xì)解讀了語音智能技術(shù)如何在具體場景中達(dá)到自然的人機(jī)交

　　互。

　　以下為王士進(jìn)演講的要點精摘：

　　1.在萬物互聯(lián)浪潮下，人機(jī)交互需要希望提供更智能的方案來完成交互工作。早期 PC

　　時代，鍵盤鼠標(biāo)交互；中期移動互聯(lián)網(wǎng)時代，多點觸控，手寫、手勢交互，比原來爽很多；

　　現(xiàn)在萬物互聯(lián)，我們進(jìn)入智能生活方式，使用語音視覺再加上手勢控制。以前我們是以機(jī)器

　　為中心進(jìn)行交互，未來會以人為中心進(jìn)行交互。萬物互聯(lián)浪潮下，人根據(jù)語音的控制，根據(jù)

　　視覺的控制，然后配合手的操作，完成整個的交互。
?

　　2.今天在很多場景里，人們都需要智能語音交互；然而現(xiàn)有很多產(chǎn)品存在問題：

　　講話要靜，這是大家原來用手機(jī)很大的習(xí)慣，實際上大家知道在語音舉例遠(yuǎn)的時候，會

　　有混響和噪聲很多情況干擾，所以原來有一款，最早做語音識別我們做的非常好的時候，只

　　要距離到了一米兩米，甚至更遠(yuǎn)距離的時候效果馬上會下降，所以現(xiàn)在的設(shè)備，你看有一些

　　產(chǎn)品演示的時候要保持一定的距離，否則效果不太好。

　　發(fā)音要標(biāo)準(zhǔn)，其實我們大部分人普通話相對來說比較標(biāo)準(zhǔn)，有一些人通過后臺分析的時

　　候，發(fā)現(xiàn)有一些人其實普通話并不是很標(biāo)準(zhǔn)，甚至有一些人，基本上已經(jīng)聽不出普通話了，

　　怎么樣讓大家都能夠享受到這種人機(jī)，特別語音交互帶來的交互的操作，其實也是一個問題。

　　環(huán)境要安靜，也是一樣的道理，我們在語音整個的操作的里面，最難的就是噪聲，大家

　　知道只要有噪聲很多原來語音識別性能很好的，或者語音交互操作很好的，都會變的很難。

　　不能持續(xù)對話，無法對歷史與上下文進(jìn)行支持與識別。所謂的智能我們是希望機(jī)器人可

　　以有更多的一些上下文的知識，更多基于人的一些歷史上的信息，所以目前來說，可能很多

　　的這種產(chǎn)品還達(dá)不到這樣的需求。

　?。踦age］［/page］

　　3.針對以上幾點，2015 年科大訊飛提出了 AIUI 人工智能時代的人機(jī)交互界面，滿足了

　　五個基本特性——麥克風(fēng)陣列硬件：遠(yuǎn)場降噪，如何在遠(yuǎn)距離，有噪聲時識別；方言識別；

　　全雙工，支持隨時打斷，隨時插入，更接近人與人之間的交流；糾錯，利用上下文場景糾正

　　語義糾錯；多輪對話，在做例如訂機(jī)票等比較復(fù)雜任務(wù)時需要多輪對話，機(jī)器可自主發(fā)起多

　　輪對話。

　　麥克風(fēng)陣列：五米之外滿足遠(yuǎn)場的拾音和降噪還有回音消除，谷歌組織的語音比賽里，

　　我們一個麥克風(fēng)識別技術(shù)比較微弱的優(yōu)勢拿到第一名，多麥克風(fēng)則以非常大的優(yōu)勢比其他競

　　爭對手好很多，多麥克風(fēng)的場景里面怎么做到遠(yuǎn)距離的，包括判斷人的距離和方向和說話的

　　內(nèi)容，做了很多的工作。

　　方言的口語識別：現(xiàn)在已經(jīng)支持接近 20 種，應(yīng)該十幾種方言，陸陸續(xù)續(xù)做更多的方言，

　　希望更多的人使用到這樣一個，甚至普通話不太好的人可以用到我們這一款產(chǎn)品。后面講到，

　　訊飛除了語音上面，語言上面做了很多優(yōu)秀的工作，

　　全雙工，剛才提到市面上很多以喚醒和識別為主題（的語音識別系統(tǒng)），還有循環(huán)識別，

　　用戶以后必須持續(xù)的說，否則說的背景知識或者類似這樣會丟失。我們的支持持續(xù)的錄音和

　　連續(xù)的識別，這樣方便我們?nèi)撕蜋C(jī)器做更好的交互。怎么利用用戶的上下文的知識和用戶的

　　歷史知識，使得語音是被不止根據(jù)一個問一個答。從今年年終開始起，這個技術(shù)非常熱門，

　　實際上我們做了很多工作，怎么利用歷史信息跟更多用戶個人的信息做更好的交流。

　　個性化可擴(kuò)展的交互，實際上大家可以看到，用很多產(chǎn)品的時候，拓展性會很差，我們

　　這里面，比如喚醒詞，和京東合作的音箱可以喚醒，也可以其他的喚醒，和外面的交互，我

　　們知道現(xiàn)在更多的互聯(lián)，通過協(xié)議和外面的設(shè)備做互聯(lián)。

　　一整套的解決方案，包括我們本地實現(xiàn)的這種軟件和硬件的這樣一體化，即有軟件的服

　　務(wù)，也有硬件麥克風(fēng)這樣的服務(wù)，同時有云端一體化，我們即提供互聯(lián)網(wǎng)和移動互聯(lián)網(wǎng)下面

　　的服務(wù)，也提供本地的服務(wù)，同時還提供技術(shù)服務(wù)一體化的解決方案。

　　4.訊飛做了很多相關(guān)產(chǎn)品，訊飛聽見：會議記錄，將大會噪聲回響。訊飛小譯，中、英、

　　維即使互譯，隨身攜帶，遠(yuǎn)程實時交流，很快就上線。訊飛助理，語音語義控制使得可以在

　　電視里找到自己想要的內(nèi)容；訊飛飛魚汽車助理，汽車噪聲環(huán)境下的語音識別，除了在國內(nèi)

　　做得好之外，訊飛在國際領(lǐng)域也做得很好；機(jī)器人，自然交互，個性化定制服務(wù)；開放云平

　　臺，從最早語音聽寫到現(xiàn)在的人臉識別、語音喚醒、語音合成等都做得很好。

　　以下為王士進(jìn)在“2016 智能+未來峰會”上的演講全文：

　　我今天希望給大家分享一下，前面提到很多，萬物互聯(lián)的產(chǎn)業(yè)浪潮下面，我們希望提供

　　一種智能交互方案，配合大家做很多的工作，講智能交互之前，我們可以回顧一下電腦出現(xiàn)

　　到交互的歷史，早期大家很清楚，隨著我們電腦的出現(xiàn)，以鍵盤和鼠標(biāo)這種交互形式會成為

　　我們當(dāng)時最主要的這樣一個形式，隨著移動互聯(lián)網(wǎng)的到來以后我們會發(fā)現(xiàn)，基于多點數(shù)控，

　　基于手寫和手勢，大家使用手機(jī)和 IPAD 和平板的時候會發(fā)現(xiàn)用這樣的方式在操作的時候，

　　會比原來爽很多，這是用戶的爽點。

　　隨著現(xiàn)在物聯(lián)網(wǎng)，萬物互聯(lián)很多類似于這樣的一些智能的硬件，智能的設(shè)備出現(xiàn)的時候，

　　大家會發(fā)現(xiàn)很多場合下面，可能并不是很容易能夠用鍵盤，能夠用手去控制。我們認(rèn)為使用

　　語音視覺和傳統(tǒng)手的控制會使得我們的交互方式有非常大的提升，實際上以前我們?nèi)嗽诮换?/p>

　　的時候，其實是以機(jī)器為中心去做交互，我們圍繞電腦，那么后來隨著我們交互的發(fā)展我們

　　會發(fā)現(xiàn)將來是一個以人為中心的，所有的設(shè)備都圍繞這個人，人根據(jù)語音的控制，根據(jù)視覺

　　的控制，然后配合手的操作，完成整個這樣的交互，所以這是我想講的。

　?。踦age］［/page］

　　將來萬物互聯(lián)的浪潮下面，以語音為主，以鍵盤，包括數(shù)控和圖象，這樣的一個交互時

　　代的話，我們認(rèn)為已經(jīng)逐漸到來了，其實大家從剛才的很多 PPT 里面也已經(jīng)看到了，我們

　　再講一講產(chǎn)業(yè)的情況，今天很多相關(guān)的公司，那么大家會發(fā)現(xiàn)，在移動的一些手機(jī)的應(yīng)用，

　　包括智能家居的各個場景，視頻里面看到的智能機(jī)器人的一些場景，包括穿戴設(shè)備，包括我

　　們車載，很多場景里面大家都可以看到，在新一代的場景里面需要我們智能交互的產(chǎn)品去介

　　入，那么現(xiàn)在的這種智能交互，特別是涉及到語音交互方面，其實大家可能體驗很多產(chǎn)品，

　　這些產(chǎn)品有什么樣的一些問題？

　　第一個來說，講話要靜，這是大家原來用手機(jī)很大的習(xí)慣，實際上大家知道在語音舉例

　　遠(yuǎn)的時候，會有混響和噪聲很多情況干擾，所以原來有一款，最早做語音識別我們做的非常

　　好的時候，只要距離到了一米兩米，甚至更遠(yuǎn)距離的時候效果馬上會下降，所以現(xiàn)在的設(shè)備，

　　你看有一些產(chǎn)品演示的時候要保持一定的距離，否則效果不太好。第二發(fā)音和標(biāo)準(zhǔn)，可以參

　　照我的發(fā)音，就是說很多時候，其實我們大部分人普通話相對來說比較標(biāo)準(zhǔn)，有一些人通過

　　后臺分析的時候，發(fā)現(xiàn)有一些人其實普通話并不是很標(biāo)準(zhǔn)，甚至有一些人，基本上已經(jīng)聽不

　　出普通話了，怎么樣讓大家都能夠享受到這種人機(jī)，特別語音交互帶來的交互的操作，其實

　　也是一個問題。

　　環(huán)境要安靜，也是一樣的道理，我們在語音整個的操作的里面，最難的就是噪聲，大家

　　知道只要有噪聲很多原來語音識別性能很好的，或者語音交互操作很好的，都會變的很難。

　　第四點不能持續(xù)對話，無法對歷史與上下文進(jìn)行支持與識別。所謂的智能我們是希望機(jī)器人

　　可以有更多的一些上下文的知識，更多基于人的一些歷史上的信息，所以目前來說，可能很

　　多的這種產(chǎn)品還達(dá)不到這樣的需求。

　　我們在 2015 年提出，AIUI，人工智能時代人機(jī)交互的界面，并且 2015 年持續(xù)做，并

　　且 2015 年我們又增加很多新的特性和功能，第一場遠(yuǎn)場降噪，怎么距離較遠(yuǎn)，很多場景，

　　機(jī)器人和智能家居，五米以外怎么做到距離遠(yuǎn)有噪聲的情況下能夠語音識別做好，這是第一。

　　第二方言識別，不僅僅帶方言的普通話，甚至直接方言，也能夠把語音識別以及語音理解做

　　好。

　　第三點，全雙工，我們知道人跟人之間的交流我們會感覺非常自然的交流方式，但是我

　　們會發(fā)現(xiàn)，人跟機(jī)器交流的時候，其實可能并不像人跟人交流那么簡單，原來我們跟機(jī)器交

　　流就是我講完以后等它的動作，它會給我一個反饋，這就是原來我們所說的一個正常的交互

　　流程。那么現(xiàn)在新一代的支持我們隨時的打斷，隨時的插入，那么這樣大家可以想像，其實

　　這樣跟我們?nèi)伺c人之間的交流會很接近。

　　第四點，語音的糾錯，因為大家知道，現(xiàn)在無論是我們也好，還是市面上很多其他的，

　　語音識別的時候會有或多或少的錯誤，怎么利用到語音信息，利用上下文的場景能夠把一些

　　常見的錯誤做糾正。然后最后一點，多輪對話，其實我們是想完成以任務(wù)這種方式，所以大

　　家可以看，講話劉總的視頻里面，其實很多可能有一些類似任務(wù)的，我們想訂票或者做一些

　　比較復(fù)雜的任務(wù)時候，我們通常人和人之間的對話，可能需要多輪完成，那么現(xiàn)在除了可以

　　跟你本人，人發(fā)起的多輪對話，甚至機(jī)器在有一些可以自主的發(fā)起多輪對話來達(dá)到這樣任務(wù)

　　所需的條件滿足。

　　下面我們看幾個特性，剛才講到跟遠(yuǎn)場相關(guān)的識別，這一塊其實有四個，剛才已經(jīng)講了

　　一些，第一個，這里面會有一個麥克風(fēng)陣列硬件，其實我們訊飛做了很多年，最近這幾年有

　　非常好的突破，第一點剛才提到可以五米之外滿足遠(yuǎn)場的拾音和降噪還有回音消除，谷歌組

　　織的語音比賽，就是多麥克風(fēng)場景下面，怎么把語音識別率做的最好，我們一個麥克風(fēng)比較

　　微弱的優(yōu)勢拿到第一名，訊飛多麥克風(fēng)非常大的優(yōu)勢比其他競爭對手好很多，多麥克風(fēng)的場

　　景里面怎么做到遠(yuǎn)距離的，包括判斷人的距離和方向和說話的內(nèi)容，做了很多的工作。

　　第二點方言的口語，現(xiàn)在已經(jīng)支持接近 20 種，應(yīng)該十幾種方言，陸陸續(xù)續(xù)做更多的方

　　言，希望更多的人使用到這樣一個，甚至普通話不太好的人可以用到我們這一款產(chǎn)品。后面

　　講到，訊飛除了語音上面，語言上面做了很多優(yōu)秀的工作，2014 年、2015 年的時候，我們

　　機(jī)器翻譯里面相繼拿了國際比賽第一名，今年拿了兩個，一個是常識的知識表達(dá)和推理，還

　　有一個也拿了知識圖譜推理的第一名。我們在語音做了非常優(yōu)秀的工作，使得我們知道你所

　　說的內(nèi)容是什么。

　?。踦age］［/page］

　　全雙工，剛才提到，市面上很多，喚醒和識別為主題，要喚醒它，還有循環(huán)識別，說完

　　以后必須持續(xù)的說，否則說的背景知識或者類似這樣會丟失，那么我們的支持持續(xù)的錄音和

　　連續(xù)的識別，這樣方便我們?nèi)撕蜋C(jī)器做更好的交互。第三點剛才提到的上下文，怎么利用用

　　戶的上下文的知識和用戶的歷史知識能夠知道，不止根據(jù)一個問一個答，所以大家可以看到

　　最近最熱的是一個，從今年年終開始起，這個技術(shù)非常熱門，實際上我們做了很多工作，怎

　　么利用歷史信息跟更多用戶個人的信息做更好的交流。第四，我們叫做更多可拓展性，實際

　　上大家可以看到，用很多產(chǎn)品的時候，拓展性會很差，我們這里面，比如喚醒詞，和京東合

　　作的音箱可以喚醒，也可以其他的喚醒，和外面的交互，我們知道現(xiàn)在更多的互聯(lián)，通過協(xié)

　　議和外面的設(shè)備做互聯(lián)。

　　我們提出一整套的解決方案，包括我們本地實現(xiàn)的這種軟件和硬件的這樣一體化，即有

　　軟件的服務(wù)，也有硬件麥克風(fēng)這樣的服務(wù)，同時有云端一體化，我們即提供互聯(lián)網(wǎng)和移動互

　　聯(lián)網(wǎng)下面的服務(wù)，也提供本地的服務(wù)，同時我們還提供各種服務(wù)。訊飛做了很多產(chǎn)品，希望

　　和大家共同產(chǎn)業(yè)上面有探索和合作，第一件事情訊飛聽見，智能會議系統(tǒng)，現(xiàn)在很多的這種

　　大型的會議里面，因為我們知道，在大會里面大家可以聽聲音可以感覺到，噪聲回響非常大

　　的，目前訊飛是唯一一家這種場景下面能夠把語音識別率做的最好，同時在會場里面還支持

　　說話人角色的分離，所以現(xiàn)在很多的會議，比如原來在法院做庭審的時候用了我們的技術(shù)，

　　原來三到四個小時可以做完的，用這個技術(shù)一個小時之內(nèi)就可以做完。

　　第二我們訊飛聽見，今年發(fā)布會推出一款產(chǎn)品，訊飛的小 E，機(jī)器翻譯可以感覺到，出

　　國旅游，語言溝通是非常大的障礙，我們遠(yuǎn)場的識別推出這樣一款翻譯機(jī)，目前支持中英維，

　　今年會增加八個語種的翻譯，使得我們出國非常方便，很快會上。

　　同時還有一款訊飛的電視助理，大家知道互聯(lián)網(wǎng)海量運行的內(nèi)容，家里面操控人和電視

　　有非常遠(yuǎn)的距離，這個里面怎么用語音和語義的控制使得我們精準(zhǔn)找到你所需要的內(nèi)容和資

　　源，這一塊包括國內(nèi)很多的電視廠商，主流的基本上一線廠商和我們做合作，使得我們將來

　　用到的電視，即可能電視是非常好的交互平臺，也有可能電視的盒子類似這樣的形式。

　　還有訊飛最新，今年發(fā)布會推出來的訊飛飛魚的汽車助理，噪聲非常強(qiáng)的場景，汽車連

　　續(xù)兩年，包括寶馬、奔馳、通用組織的汽車與汽車噪聲環(huán)境里面語音識別，訊飛在整個國際

　　的性能評比里面都拿第一名，所以將來大家除了很多國產(chǎn)車?yán)锩婺軌蚩吹接嶏w的語音助理，

　　國際的車型和車牌都會看到這樣的技術(shù)。

　　訊飛在機(jī)器人場景做了很多的嘗試，提供自然交互包括個性化的定制服務(wù)，人機(jī)融合做

　　了很多的工作。

　　訊飛除了自己在做，還把相關(guān)的技術(shù)都在訊飛，我們叫做開放云平臺里面提供，我們最

　　早只提供語音聽寫，現(xiàn)在提供包括人臉和評測，包括喚醒，基本上剛才提到產(chǎn)品里面所涉及

　　到的技術(shù)點，我們開放云平臺里面都已經(jīng)提供了，所以如果說大家有興趣，都可以從我們開

　　放云平臺里面取得這樣一些信息和幫助。

　　所以我們認(rèn)為將來，在整個 AIUI 前臺的人機(jī)交互和后臺的智能服務(wù)這種場景下面，希

　　望為大家提供一些更好的智能的人機(jī)交互解決方案