智能語音是智能時代人機交互的關鍵接口，近幾年隨著各行業(yè)場景需求爆發(fā)式增長，技術突破和應用落地不斷深入。從全球范圍來看，2022年全球智能語音產業(yè)規(guī)模將達351.2億美元，保持33.1%的高速增長。

根據德勤統(tǒng)計數據，2022年我國智能語音市場將達341億元，同比增長13.4%。我國智能語音產業(yè)整體發(fā)展環(huán)境積極向好。工信部信息技術發(fā)展司副司長王威偉表示，智能語音產業(yè)作為新一代信息技術和人工智能產業(yè)的重要組成部分，必將迎來更大的發(fā)展機遇。

智能語音技術，是實現(xiàn)人機語言的通信，包括語音識別技術（ASR）和語音合成技術（TTS）。智能語音技術的研究以語音識別技術為開端，可以追溯到20世紀50年代。隨著信息技術的發(fā)展，智能語音技術已經成為人們信息獲取和溝通最便捷、最有效的手段。

從當前的發(fā)展情況來看，語音合成技術發(fā)展最早，應用已較為普遍，除了合成音仍偏機械之外，基本不存在太大技術問題；語音識別在2012年卷積神經網絡（CNN）應用之后，準確率大幅提升，已經在C端、B端得到廣泛應用，但效果和體驗仍有待提高。

比如語音識別魯棒性問題顯著，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、噪音等問題，準確率就會打折。

為了解決語音識別魯棒性問題，企業(yè)從多方面進行優(yōu)化，一是在語音增強、麥克風陣列以及說話人分離等技術領域投入，并結合后端語義，促進對上下文的理解，從而提升識別效果；另一方面是從產品設計上進行優(yōu)化，比如通過進一步交互，使語音識別變得更為準確。

在語音識別方面，視聽融合的多模態(tài)交互技術是技術演進的主要方向。據介紹，科大訊飛多模語音增強技術融合語音與視覺的多模感知，讓高噪音場景下的語音交互跨過實用門檻，率先在車載、會議、地鐵購票和醫(yī)療掛號等場景落地。此外，針對低資源語音識別難題，海天瑞聲和科大訊飛分別從語音數據和算法層面推動技術進步。

當前智能語音應用場景正在迅速鋪開。據德勤統(tǒng)計數據，預計到2030年，智能語音消費級和企業(yè)級應用市場將分別超過700億元和千億元的規(guī)模。

在汽車領域，智能語音已成人機交互關鍵環(huán)節(jié)，并從車內交互衍生車外交互，從單模交互走向多模交互，從被動交互發(fā)展為主動交互，為車企提供全棧技術賦能。思必馳此前表示，在中高端車型的車載設備中，具備語音交互能力的中控大屏能為車主帶來高清且流暢的智能體驗。

另外相對更平民化的傳統(tǒng)車型而言，智能網聯(lián)化成本高，中控大屏的智能化程度有限。針對更多車型智能化改造，思必馳推出了針對前裝市場的車載“智能收放機”軟硬一體化方案（聯(lián)網版、藍牙版），打造無屏版智能中控，圍繞“云+管+端+手”四個維度，分別為整車賦予智能化的改造，這將有利于擴大智能語音在汽車領域的應用。

智能語音在教育和醫(yī)療領域也已經取得較大規(guī)模的應用，比如，在教育領域，科大訊飛全球中文學習平臺已覆蓋全球183個國家，吸引300多萬海外中文學習愛好者使用；在醫(yī)療領域，2022年疫情期間，科大訊飛電話機器人助力全國31個省112個地市疫情排查，累計服務超1.1億人次；智能外呼和智醫(yī)助理可用于獨居老人、留守兒童的日常關愛和兜底保障。

除此之外，智能語音在城市和工業(yè)領域也有很好的應用前景。姚建銓院士此前指出，智能語音與建設智慧城市的要求吻合，可以實現(xiàn)各種語音高效轉換和智能處理，為智慧城市進一步建設帶來新的機遇。在工業(yè)領域，我國打造了包括國家智能語音創(chuàng)新中心在內的一批語音技術創(chuàng)新國家隊， 開展工業(yè)聲學、多語種、AI語音芯片等關鍵共性技術研究工作。

可想而知，隨著智能語音關鍵技術的不斷突破，以及各企業(yè)、研究團隊在各行業(yè)各領域的應用探索，未來智能語音的將會在更多場景中實現(xiàn)規(guī)?；瘧?，市場規(guī)模也將隨之增長。

審核編輯 ：李倩