在很多國外科幻大片所描述的未來生活中，使用語音方式來操控家電的炫酷場景也是無處不在。在《鋼鐵俠》系列電影中，男主角回到家以后，說聲想喝咖啡，咖啡機(jī)便開始沖咖啡，這種生活真是令人羨慕。隨著語音交互技術(shù)的不斷成熟，未來電影中的畫面將會很快變成現(xiàn)實喲!

語音交互與智能家居

數(shù)據(jù)顯示，2018年，中國智能家居規(guī)模將達(dá)到1800億元，到2020年，智能家居市場規(guī)模將達(dá)到3576億元。分析師預(yù)測，2021年全球智能家居市場規(guī)模將達(dá)5000多億元。

在汽車及互聯(lián)網(wǎng)領(lǐng)域，語音交互功能已經(jīng)很普及。福特的SYNC系統(tǒng)專為手機(jī)和數(shù)字媒體播放器配備的福特車載多媒體通信娛樂系統(tǒng)，是目前車載系統(tǒng)中采用語音交互技術(shù)的成功的案例，已經(jīng)廣泛應(yīng)用在福特多個系列汽車中?；ヂ?lián)網(wǎng)巨頭蘋果在其iPhone 4S中推出智能語音助理應(yīng)用Siri后，Google公司也在其安卓智能手機(jī)操作系統(tǒng)中推出了GoogleNow智能語音搜索及問答服務(wù)，微軟公司也將語音技術(shù)應(yīng)用于WindowsPhone。

在智能家居領(lǐng)域，國外的IT巨頭已先后以智能家庭產(chǎn)品與語音相結(jié)合的方式進(jìn)入智能家庭領(lǐng)域：谷歌收購NEST布局智能家庭，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;微軟也發(fā)布了語音助手Cortana(小娜)，為它在智能家庭領(lǐng)域擴(kuò)展交互入口。

在國內(nèi)，早于2014年8月，語音巨頭科大訊飛就宣布進(jìn)軍智能家庭市場，并發(fā)布了智能語音助手靈犀3.0來操控智能家居設(shè)備，這些設(shè)備都需要事先和靈犀3.0對接，便可以在靈犀App中搜索到設(shè)備，然后進(jìn)行語音操控。目前支持的設(shè)備已經(jīng)有不少，包括了電視、咖啡機(jī)、電燈、空調(diào)、熱水器等。

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，曾經(jīng)的技術(shù)瓶頸亦在慢慢被突破。這其中語音識別技術(shù)是語音交互的基礎(chǔ)與核心，“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。

主流的語音識別系統(tǒng)框架圖

語音交互的技術(shù)壁壘在哪里?

前文中說到了語音交互技術(shù)在智能家居領(lǐng)域的運用，作為主流人機(jī)交互方式之一，語音交互方式將人們的雙手從觸摸屏解放出來，減少人們在數(shù)據(jù)輸入上花費的時間。但語音交互并不適用于所有場景，目前，智能家居領(lǐng)域，語音交互還存在以下幾個問題：

一張圖看懂語音交互

遠(yuǎn)場及噪音干擾下識別準(zhǔn)確率有待提升及端點檢測中的降噪處理技術(shù)。這也被稱為“雞尾酒會問題”，寓意在嘈雜的雞尾酒會上遠(yuǎn)距離準(zhǔn)確識別某一個特定的聲音。當(dāng)前該問題解決方式是多通道信號處理，例如麥克風(fēng)陣列的變換。相關(guān)落地技術(shù)包括思必馳&亞馬遜Echo“環(huán)形6+1”麥克風(fēng)陣列， 以及悠響聲學(xué)Mic隨意安裝語音拾取技術(shù)。

端點檢測、特征提取和解碼過程中模型優(yōu)化。如果放下現(xiàn)有問題的假設(shè)與相關(guān)設(shè)計，而是交托給機(jī)器，讓其從訓(xùn)練數(shù)據(jù)中學(xué)到的轉(zhuǎn)換模型來把語音轉(zhuǎn)成文字序列，可能更簡單高效。

當(dāng)前主要用端到端CTC模型+Attention模型來優(yōu)化。地平線的內(nèi)部評測證明：在1000小時的數(shù)據(jù)上，CLDNN+CTC模型相比于之前的DCNN模型，性能大概提升了 15%～20%。但端到端的實用性存在爭議，現(xiàn)階段它只是流程中的某一個部分的步驟簡化，尚未囊括解碼部分，而且需要大量的訓(xùn)練集。

增強(qiáng)預(yù)測性和可適應(yīng)性。在日常人際交流中，人們會預(yù)測對方下一句會說什么。而讓機(jī)器獲得相似預(yù)測能力的突破口在半監(jiān)督，無監(jiān)督學(xué)習(xí)，尤其是強(qiáng)化學(xué)習(xí)和遷移學(xué)習(xí)。騰訊之前有一個PAC-RNN模型，能夠非?？斓刈赃m應(yīng)，從而持續(xù)改進(jìn)識別結(jié)果。但是這個模型由于遞歸神經(jīng)網(wǎng)絡(luò)的環(huán)路比較大，訓(xùn)練上比較困難。

在硬件方面，AI語音識別領(lǐng)域的芯片研發(fā)也是熱點。而在終端，語音識別兩個關(guān)鍵因素是實時性與成本，研發(fā)語音識別專屬芯片是終端語音識別硬件發(fā)展趨勢，終端芯片的例子包括：啟英泰倫終端智能語音識別芯片CI1006，云知聲UniRobot硬件芯片系統(tǒng)，和MIT在ISSCC2017上發(fā)表的paper里的芯片。

小結(jié)：

投身消費領(lǐng)域，智能家居改變了消費者的居住方式，語音交互為智能家居創(chuàng)造了一個安全、舒適、便利和信息化的居住空間做了不少貢獻(xiàn)，使人們適應(yīng)在信息社會的快節(jié)奏中家居與外部世界保持完全開放的生存狀態(tài)。智能家居以家庭為單元，運用多種信息技術(shù)，達(dá)到監(jiān)控與信息交互的目的，在未來，居住更加智能、消費者的居住體驗更加舒適，一場由語音交互的變革看起來勢在必行了。