“芝麻開門。”
“芝麻關門。”
“我要去五樓。”


這幾條充滿童趣的語句,實際上是控制電梯的語音指令。疫情當前,電梯是非常高風險的區域,尤其是手指碰觸電梯按鍵的時候。針對這一場景,思必馳推出了電梯語音控制模塊。“在后裝的電梯上也可以進行安裝,而且安裝起來非常簡單方便。” 思必馳 IoT 商務總經理陳葦珍在演示過程中表示。

 

思必馳 IoT 商務總經理陳葦珍

 

“97%或者 99%只是實驗室數據”


電梯控制是一個典型的語音識別應用場景,技術的進步正在改變人機交互的方式和結果。

 

語音識別是人機交互中的重要技術,所涉及的領域包括信號處理、模式識別、概率論和信息論、發聲機理和聽覺機理、人工智能等,近些年語音識別技術取得顯著進步,開始從實驗室走向市場。

 

人工智能和機器學習領域權威學者吳恩達此前表示,當語音識別準確率達到 99%時將改變人機交互方式。陳葦珍認為:“不管 97%還是 99%,如果單純強調這種實驗室的語音識別的數據,它的價值會相對有限,需要結合到具體的場景來看,比如說辦公、車載、家居、金融等領域的應用場景,再結合大數據的運算和認知計算,才能夠真正地形成一個好的交互體驗。”

 

 

她強調:“思必馳更關注的是完整的人機語音交互技術,除了語音控制之外,更多的是關注交互能力和對話能力。我們的語音識別包括連續的云端識別,還有實時識別、抗噪識別、遠場識別以及大詞匯識別和本地識別。”

 

關注思必馳的人都知道他們還有一個“語音識別++”。“除了提供文本信息識別之外,語音識別++也會有情緒識別、年齡識別、聲紋識別這些信息。” 陳葦珍介紹說:“我們的情緒識別已經能夠去支持覆蓋主流的情緒:憤怒、快樂、喜悅等,可以針對性地做出擬人化反映。同時這種分類的識別計算是為了把我們的識別信息進行多樣化,輔助生成用戶畫像。”

 

 

讓機器能夠感受人的喜怒哀樂,從人機交互走向人人交互,甚至是超越人人交互,這個過程確實不只是識別準確率提升的問題。

 

遠場和混合語言是“攔路虎”


在語音識別的具體應用場景中,我們總是能夠發現一些有共性且突出的識別障礙,比如遠場聲音的處理以及混合語言的處理。

 

遠場語音識別常見的場景比如會議室、車載場景、智能家居等,這些場景中會出現較為明顯的“雞尾酒會問題”,出現收音不理想和背景音噪聲等情況。

 

 

對于遠場語音識別而言,不僅要有好的語音識別算法,在硬件層面同樣需要一定規格的配置。陳葦珍表示:“思必馳推出了軟硬一體化的麥克風陣列解決方案,能夠支持在家居環境 5 米的良好交互效果,能夠支持 360 度的角度適應。線性陣列方面,能夠支持 180 度的角度適應,同時可以實現純軟件算法的降噪。”

 

另一個障礙是混合語言應用場景,包括中英文混合、方言等。“混合識別確實是比較難攻克的問題,主要難點實際是在聲學模型上。目前,我們在聲學模型的建模上采用從端到端的中英文交雜輸出的方式。這個模型的好處是一個模型能夠同時支持中文、英文或者是中英文交雜輸出,同時能夠保證它的中文性能不受損傷。” 陳葦珍講到。

 

結合她的描述,這樣的方式是可以復制的,從中文+英文到中文+粵語,甚至是中文+英文+粵語,能夠融入的方言還包括上海話、四川話、重慶話和山東話等。

 

后記


讓機器與人能夠像人與人一樣溝通,這是一種感性的需求。隨著智能語音技術的不斷精進,人與機器之間必將突破交互的限制,達到交流的程度。在人與人的交流過程中,智慧的人類彼此之間有著更為豐富的表達,對于機器而言人類是“善變”的。因此,讓機器找到萬變不離其宗的規律,是人機交互更進一步的關鍵所在。