一個完整的對話交互是由“聽懂——理解——回答”三個步驟完成的閉環(huán)，其中， “聽懂”需要語音識別（Automatic Speech Recognition， ASR）技術;“理解”需要自然語 言處理（Natural Language Processing， NLP）技術;“回答”需要語音合成（Text To Speech， TTS）技術。三個步驟環(huán)環(huán)相扣，相輔相成。語音識別技術是對話交互的開端，是保證對話 交互高效準確進行的基礎。

語音識別技術自 20 世紀 50 年代開始步入萌芽階段，發(fā)展至今，主流算法模型已經(jīng)經(jīng) 歷了四個階段：包括模板匹配階段、模式和特征分析階段、概率統(tǒng)計建模階段和現(xiàn)在主流的 深度神經(jīng)網(wǎng)絡階段。目前，語音識別主流廠商主要使用端到端算法，在理想實驗環(huán)境下語音 識別準確率可高達 98%以上。

中國 AI 語音識別市場參與者眾多，主要分為上游、中游、下游。上游：底層技術提供強力支撐，云計算助推AI語音應用普及。中游：語音技術持續(xù)升級，生態(tài)圈建立賦能產(chǎn)業(yè)。下游分析：行業(yè)應用多樣化，一站式服務需求廣

在過去五年間，中國 AI 語音的需求最先在消費級市場爆發(fā)，主要得益于互聯(lián)網(wǎng)及智能 硬件設備廠商加大語音識別的投入經(jīng)費，以及廠商為提前占據(jù)市場推行的智能音箱硬件補貼。

目前，消費級產(chǎn)品及服務主要包括智能音箱、智能車載和智能硬件及消費級互聯(lián)網(wǎng)增值 服務。然而，目前包括直接面向消費者的產(chǎn)品及服務在內，語音識別的相關應用及使用場景 仍具有局限性。

未來，在消費級產(chǎn)品供應商和開發(fā)者共同構建產(chǎn)業(yè)生態(tài)圈的過程中，語音識 別技術將更好地與其他語音交互技術及軟件功能融合，為消費者提供更優(yōu)質的體驗，未來 AI 語音識別市場將迎來廣闊的發(fā)展空間。

對于專業(yè)級市場而言，主要的產(chǎn)品形式包括智能語音開放平臺和行業(yè)解決方案，下游應 用領域目前主要包括數(shù)字化水平相對較高的智慧醫(yī)療、智慧教育、企業(yè)客服、司法政務、金 融領域等。

AI 語音識別作為人機交互的重要入口之一，除了在語音識別的領域表現(xiàn)出色外， 也要能更好地與其他智能語音技術（包括語義理解、遠場語音識別、喚醒目標檢測、全雙工 交互、個性化識別技術等）進行融合，從而綜合提升真實場景中的用戶體驗。

近年來 AI 語音識別專業(yè)級市場的快速增長主要原因除了深度神經(jīng)網(wǎng)絡算法為語音識別帶來的準確率大 幅提升外，更重要的是其他智能語音和 AI 技術的發(fā)展帶來了更廣闊的應用場景，預計未來 專業(yè)級市場的商業(yè)化需求將得到進一步釋放。

以下是《中國 AI 語音識別市場研究報告》部分內容：