受到當(dāng)前利率市場化、互聯(lián)網(wǎng)金融快速發(fā)展、經(jīng)濟(jì)發(fā)展進(jìn)入新時(shí)代等多種因素的影響，國內(nèi)銀行業(yè)傳統(tǒng)經(jīng)營模式正面臨著全新的變革。如何在精細(xì)化管理的基礎(chǔ)上為客戶提供更便捷、更優(yōu)質(zhì)、更安全的服務(wù)體驗(yàn)，已經(jīng)成為各商業(yè)銀行競爭的焦點(diǎn)。

近年來，云計(jì)算、大數(shù)據(jù)、物聯(lián)網(wǎng)和人工智能等FinTech技術(shù)快速發(fā)展，促進(jìn)了語音識(shí)別準(zhǔn)確度的迅速提升，為商業(yè)銀行引入智能化服務(wù)提供了重要的技術(shù)資源，語音識(shí)別技術(shù)將掀起商業(yè)銀行服務(wù)模式的變革，為智能化服務(wù)增加新的元素。本文從商業(yè)銀行實(shí)際出發(fā)，對(duì)該技術(shù)的發(fā)展進(jìn)行梳理，并提出商業(yè)銀行語音識(shí)別“4I”應(yīng)用框架，以期推動(dòng)FinTech時(shí)代下銀行綜合智能化服務(wù)能力進(jìn)一步提升。

一、語音識(shí)別技術(shù)概述

語音識(shí)別通過運(yùn)用語言學(xué)、計(jì)算機(jī)科學(xué)、電子工程、模式識(shí)別、概率論、信息論以及人工智能等領(lǐng)域的方法和技術(shù)，使計(jì)算機(jī)設(shè)備能夠精準(zhǔn)識(shí)別和翻譯語音信息，也被稱為自動(dòng)語音識(shí)別(ASR)或者語音到文本(STT)，在金融、電信、電子商務(wù)、醫(yī)療、制造等行業(yè)得到了廣泛應(yīng)用。

1.語音識(shí)別技術(shù)發(fā)展

語音識(shí)別技術(shù)按照發(fā)展和應(yīng)用程度，可分為早期實(shí)驗(yàn)研究階段、實(shí)用階段、現(xiàn)代語音識(shí)別系統(tǒng)開發(fā)應(yīng)用階段。

(1)早期實(shí)驗(yàn)研究階段

20世紀(jì)50年代，世界上第一個(gè)能識(shí)別10個(gè)英文數(shù)字發(fā)音的實(shí)驗(yàn)系統(tǒng)在貝爾實(shí)驗(yàn)室誕生；20世紀(jì)60年代，出現(xiàn)了動(dòng)態(tài)時(shí)間規(guī)整(DTW)算法以及將語音信號(hào)以幀為單位切分的技術(shù)，實(shí)現(xiàn)了有效的語音特征提??；20世紀(jì)80年代，識(shí)別算法從基于標(biāo)準(zhǔn)模板的方法轉(zhuǎn)向基于統(tǒng)計(jì)模型的方法，產(chǎn)生了基于高斯混合隱馬爾可夫模型(GMM-HMM)的聲學(xué)模型和以N元語法為基礎(chǔ)的語言模型，實(shí)現(xiàn)了大量詞匯、非特定人以及連續(xù)語音的識(shí)別。

(2)實(shí)用階段

進(jìn)入20世紀(jì)90年代后，語音識(shí)別的系統(tǒng)框架趨于穩(wěn)定，隨著計(jì)算機(jī)運(yùn)算能力的快速提升以及語音識(shí)別在系統(tǒng)自適應(yīng)、參數(shù)調(diào)優(yōu)等方面的成熟，語音識(shí)別技術(shù)在商業(yè)上逐步成功運(yùn)用，語音識(shí)別技術(shù)進(jìn)入實(shí)用階段。

(3)現(xiàn)代語音識(shí)別系統(tǒng)開發(fā)應(yīng)用階段

近些年，隨著大數(shù)據(jù)和深度學(xué)習(xí)技術(shù)的發(fā)展，深度學(xué)習(xí)方法逐漸被引入到語音識(shí)別系統(tǒng)中，相較于傳統(tǒng)的語音識(shí)別技術(shù)，識(shí)別性能獲得了顯著提升。

目前，市場上的語音識(shí)別系統(tǒng)大多基于深度神經(jīng)網(wǎng)絡(luò)模型進(jìn)行建模，大幅提升了各種應(yīng)用場景下語音識(shí)別的準(zhǔn)確度和可靠性，使語音識(shí)別技術(shù)進(jìn)入了新的應(yīng)用階段。

2.語音識(shí)別的分類

按照說話人的不同，語音識(shí)別技術(shù)分為兩類：一是特定人語音識(shí)別，它用來對(duì)特定人的說話內(nèi)容進(jìn)行識(shí)別，同時(shí)基于說話人的聲紋信息，應(yīng)用聲紋鑒別技術(shù)，實(shí)現(xiàn)基于聲音的身份識(shí)別；二是非特定人語音識(shí)別，通過采集大量語音數(shù)據(jù)來進(jìn)行訓(xùn)練建模，實(shí)現(xiàn)非特定人的語音識(shí)別，可以被任何說話人使用，更符合實(shí)際需要，通常要難于針對(duì)特定人的語音識(shí)別任務(wù)。

根據(jù)識(shí)別詞匯對(duì)象的不同，語音識(shí)別任務(wù)分為三類：一是孤立詞識(shí)別，可識(shí)別事先已知的詞語，比如“存款”“取款”等，可應(yīng)用到自動(dòng)控制領(lǐng)域；二是連續(xù)語音識(shí)別，可識(shí)別自然交流的連續(xù)語音，比如一個(gè)句子或者一段話，可應(yīng)用于語音輸入系統(tǒng)；三是關(guān)鍵詞識(shí)別，從連續(xù)語音中檢測出特定關(guān)鍵詞出現(xiàn)的位置，而不需要識(shí)別出整個(gè)句子，可應(yīng)用于語音監(jiān)聽任務(wù)。

根據(jù)識(shí)別服務(wù)的實(shí)現(xiàn)方式，語音識(shí)別分為兩類：一是云端方式，依賴網(wǎng)絡(luò)并依托強(qiáng)大的后臺(tái)模型，識(shí)別更準(zhǔn)確，目前已經(jīng)有多款基于云端的語音助手工具；二是離線方式，不依賴于網(wǎng)絡(luò)，應(yīng)用場景更靈活，但識(shí)別精確度受到計(jì)算資源的限制，一般離線識(shí)別會(huì)結(jié)合專用芯片，通過壓縮模型規(guī)模，將計(jì)算量控制在合理的水平。

3.語音識(shí)別技術(shù)原理

傳統(tǒng)語音識(shí)別技術(shù)的基本過程如圖1所示，主要包括如下內(nèi)容。

(1)預(yù)處理

這一過程主要包括對(duì)輸入的原始語音信號(hào)進(jìn)行采樣，去除個(gè)體發(fā)音差異以及設(shè)備環(huán)境等引起的背景噪聲，通過分幀將語音信號(hào)切分為短片段，并運(yùn)用端點(diǎn)檢測技術(shù)確定出語音的起點(diǎn)和終點(diǎn)。

(2)特征提取

這一過程主要包括從預(yù)處理過的語音信號(hào)中，抽取出反映語音本質(zhì)的特征參數(shù)，形成特征矢量序列。通常由頻譜衍生出頻率倒譜系數(shù)(MFCC)，使用長度為10ms的幀分割語音波形，然后從每幀中提取出特征向量。

(3)聲學(xué)模型訓(xùn)練

基于語音數(shù)據(jù)庫進(jìn)行訓(xùn)練，通過計(jì)算語音特征和發(fā)音模板的相似度，為每個(gè)聲學(xué)單元建立模型參數(shù)，識(shí)別時(shí)將待識(shí)別的語音特征參數(shù)與訓(xùn)練得到的聲學(xué)模型進(jìn)行匹配，獲得識(shí)別結(jié)果。傳統(tǒng)語音識(shí)別系統(tǒng)大多采用GMM-HMM進(jìn)行聲學(xué)模型建模。

(4)語言模型訓(xùn)練

根據(jù)語言的語法規(guī)則，對(duì)訓(xùn)練文本數(shù)據(jù)庫進(jìn)行語法、語義分析，建立描述給定詞序列在語言中出現(xiàn)的概率分布，在給定若干個(gè)詞的情境下能夠判定下一個(gè)最可能出現(xiàn)的詞語，縮小搜索范圍，進(jìn)而提高語音識(shí)別性能以及準(zhǔn)確率。

(5)語音解碼

語音解碼指語音技術(shù)中的識(shí)別過程，針對(duì)輸入的原始語音信號(hào)，經(jīng)預(yù)處理和特征提取后，結(jié)合訓(xùn)練得到的聲學(xué)模型、語言模型以及發(fā)音字典建立一個(gè)識(shí)別網(wǎng)絡(luò)，運(yùn)用搜索算法尋找到最佳路徑，進(jìn)而獲取該語音信號(hào)對(duì)應(yīng)的最優(yōu)詞串。

4.深度學(xué)習(xí)和語音識(shí)別技術(shù)

深度學(xué)習(xí)也稱為“深層結(jié)構(gòu)化學(xué)習(xí)”，是一種基于學(xué)習(xí)數(shù)據(jù)表征的機(jī)器學(xué)習(xí)方法，通過構(gòu)建多隱藏層神經(jīng)網(wǎng)絡(luò)，組合低層特征形成更加抽象的高層表示特征，以此提升分類或預(yù)測的準(zhǔn)確性。

語音信號(hào)是一種非平穩(wěn)的隨機(jī)信號(hào)，人腦對(duì)其感知的過程是一個(gè)復(fù)雜的信號(hào)處理過程，深度學(xué)習(xí)可通過模仿人腦對(duì)語音信號(hào)的處理方式，以層次化的方式進(jìn)行處理，因此比傳統(tǒng)的模型更適合于語音信號(hào)處理。結(jié)合深度學(xué)習(xí)技術(shù)對(duì)傳統(tǒng)語音識(shí)別技術(shù)的相關(guān)環(huán)節(jié)進(jìn)行優(yōu)化和完善，出現(xiàn)了級(jí)聯(lián)系統(tǒng)(Tandem System)、混合系統(tǒng)(Hybrid System)、端到端模型(End-to-End Model)系統(tǒng)等新技術(shù)，具體描述如下：

(1)級(jí)聯(lián)系統(tǒng)

運(yùn)用深度神經(jīng)網(wǎng)絡(luò)(DNN)進(jìn)行特征提取，優(yōu)于使用傳統(tǒng)特征訓(xùn)練的GMM-HMM識(shí)別系統(tǒng)，它可以聯(lián)合特征的上下文信息形成長時(shí)特征矢量，并且具有深層次的非線性變換能力，能夠從有限的數(shù)據(jù)中挖掘出更多的信息。

(2)混合系統(tǒng)

在GMM-HMM聲學(xué)模型基礎(chǔ)上，用DNN替換高斯混合模型(GMM)來計(jì)算輸出概率密度函數(shù)，其中的DNN可替換為其他的深度學(xué)習(xí)架構(gòu)，比如循環(huán)神經(jīng)網(wǎng)絡(luò)(RNN)、卷積神經(jīng)網(wǎng)絡(luò)(CNN)等，這種方法最常用也最便利，不需要重新設(shè)計(jì)整個(gè)傳統(tǒng)聲學(xué)模型系統(tǒng)。

(3)端到端模型系統(tǒng)

基于深度神經(jīng)網(wǎng)絡(luò)完成從輸入特征向量到輸出結(jié)果的整個(gè)過程，聲學(xué)模型和語言模型通過后端解碼進(jìn)行融合，與傳統(tǒng)識(shí)別過程相比，不需要進(jìn)行分幀以及幀級(jí)別的標(biāo)注操作。端到端模型實(shí)現(xiàn)方法分為兩種，一種是采用連續(xù)時(shí)序分類(CTC)和長短記憶網(wǎng)絡(luò)(LSTM)結(jié)合的聲學(xué)模型，對(duì)語音的音素序列和對(duì)應(yīng)的語音特征序列進(jìn)行序列層面建模;另一種是基于編碼解碼(Encoder-Decoder)模型以及注意力(Attention)模型，直接實(shí)現(xiàn)從語音聲學(xué)特征序列到最終詞序列的輸出。

二、智能語音識(shí)別技術(shù)在商業(yè)銀行中的應(yīng)用

隨著語音識(shí)別技術(shù)與文本挖掘、自然語言處理等技術(shù)的不斷融合，在以商業(yè)銀行為代表的金融領(lǐng)域，語音識(shí)別技術(shù)呈現(xiàn)出巨大的應(yīng)用價(jià)值潛力。本文對(duì)商業(yè)銀行視角下的語音識(shí)別應(yīng)用場景進(jìn)行梳理和歸類，從對(duì)智能化技術(shù)要求由淺入深的角度，提出“4I”應(yīng)用架構(gòu)，即“Input(信息輸入)—Inspection(實(shí)時(shí)監(jiān)察)—Interaction(溝通交互)—Identification(身份驗(yàn)證)”，以期為商業(yè)銀行智能語音識(shí)別技術(shù)落地提供參考和借鑒。

1.Input(信息輸入)：“聽得見”

語音識(shí)別的一個(gè)主要應(yīng)用就是將語音數(shù)據(jù)自動(dòng)轉(zhuǎn)換為文本數(shù)據(jù)，實(shí)現(xiàn)自動(dòng)信息輸入。該類應(yīng)用下，語音識(shí)別技術(shù)的主要功能是將音頻數(shù)據(jù)轉(zhuǎn)化為文本數(shù)據(jù)，并為進(jìn)一步開展智能文本挖掘和自然語言處理積累大量文本信息語料。在商業(yè)銀行運(yùn)營環(huán)境下，該功能可主要應(yīng)用于簡化柜臺(tái)人員業(yè)務(wù)操作流程、實(shí)現(xiàn)客戶經(jīng)理拜訪客戶后的報(bào)告口述撰寫等場景。

以柜臺(tái)操作簡化流程為例，當(dāng)前網(wǎng)點(diǎn)仍是銀行提供服務(wù)的重要渠道之一，柜臺(tái)運(yùn)營人員服務(wù)質(zhì)量是決定客戶體驗(yàn)的關(guān)鍵要素。客戶針對(duì)銀行提出的反饋意見顯示，等待時(shí)間過長已成為影響客戶滿意度的重要因素。通過引入語音識(shí)別系統(tǒng)，可以將客戶需求直接轉(zhuǎn)化為系統(tǒng)可識(shí)別的文本內(nèi)容，柜臺(tái)人員僅需針對(duì)錄入的信息進(jìn)行復(fù)核校驗(yàn)，減少客戶填寫各種憑證的時(shí)間以及運(yùn)營人員錄入信息的時(shí)間，從而減少客戶等待時(shí)間，提升服務(wù)效率。此外，當(dāng)銀行一線人員走出網(wǎng)點(diǎn)對(duì)客戶進(jìn)行拜訪后，由于缺乏行內(nèi)雙錄設(shè)備，往往需要撰寫訪談報(bào)告對(duì)客戶情況及交談內(nèi)容進(jìn)行記錄，此時(shí)語音識(shí)別技術(shù)的應(yīng)用可直接將客戶經(jīng)理的口述轉(zhuǎn)換為文字報(bào)告，以提升工作效率，進(jìn)一步釋放銀行生產(chǎn)力。

2.Inspection(實(shí)時(shí)監(jiān)察)：“聽得懂”

商業(yè)銀行日常應(yīng)用場景除了需要“聽得見”，很多場景還要求“聽得懂”，即需要在銀行服務(wù)人員與客戶交流過程中實(shí)時(shí)識(shí)別出客戶需求點(diǎn)及業(yè)務(wù)風(fēng)險(xiǎn)點(diǎn)，支持更精準(zhǔn)地對(duì)客戶提供個(gè)性化服務(wù)，同時(shí)保證業(yè)務(wù)合規(guī)性。

例如，通過在語音識(shí)別技術(shù)的基礎(chǔ)上架構(gòu)索引機(jī)制、引入文本挖掘和自然語言處理技術(shù)支持，對(duì)實(shí)時(shí)“聽”到的文字在“關(guān)注”字詞庫里進(jìn)行搜索。當(dāng)客戶在柜臺(tái)辦理業(yè)務(wù)時(shí)，通過對(duì)客戶與窗口人員的交談內(nèi)容進(jìn)行實(shí)時(shí)監(jiān)察，一方面可以及時(shí)識(shí)別銀行員工話術(shù)的合規(guī)性，當(dāng)業(yè)務(wù)人員出現(xiàn)不當(dāng)銷售、違規(guī)引導(dǎo)時(shí)，系統(tǒng)及時(shí)跳出提醒標(biāo)識(shí)對(duì)銀行人員進(jìn)行警示，盡可能避免對(duì)客戶和銀行權(quán)益造成損害；另一方面銀行可以實(shí)時(shí)發(fā)現(xiàn)客戶的業(yè)務(wù)需求，并及時(shí)讓窗口人員予以相關(guān)產(chǎn)品的推介，當(dāng)客戶的需求與本行產(chǎn)品及服務(wù)核心關(guān)鍵詞相匹配時(shí)，系統(tǒng)展示產(chǎn)品信息及相關(guān)話術(shù)對(duì)業(yè)務(wù)人員進(jìn)行提示，進(jìn)一步提升銷售成功率。

此外，該技術(shù)還可以通過對(duì)客戶語言文本的分析，及時(shí)發(fā)現(xiàn)客戶是否存在負(fù)面情緒，輔助業(yè)務(wù)人員減少不當(dāng)處理，及時(shí)調(diào)節(jié)、化解業(yè)務(wù)辦理中可能發(fā)生的客戶糾紛。

3.Interaction(溝通交互)：“有交互”

語音識(shí)別在商業(yè)銀行的應(yīng)用場景除了上述“聽得見”“聽得懂”外，很多時(shí)候還需與客戶“有交互”。通過語音合成、聲向定位、語義理解、機(jī)器翻譯等進(jìn)一步技術(shù)支持，語音識(shí)別技術(shù)可應(yīng)用于自助機(jī)具操作、電話銀行自動(dòng)應(yīng)答、銀行呼叫中心自動(dòng)回訪、廳堂機(jī)器人服務(wù)交互、外籍客戶服務(wù)提升等場景。以廳堂設(shè)備自助化功能優(yōu)化為例，當(dāng)前自助設(shè)備已成為廳堂運(yùn)營過程中分流客戶的重要手段。

目前，自助設(shè)備操作主要以觸點(diǎn)操作、手動(dòng)輸入為主，為輔助客戶進(jìn)行業(yè)務(wù)辦理，一般需設(shè)置專人對(duì)客戶的操作進(jìn)行指導(dǎo)。引入智能語音識(shí)別技術(shù)可進(jìn)一步優(yōu)化自助設(shè)備功能，通過識(shí)別語音中的要求、請求、命令或詢問來做出正確的響應(yīng)，既能改善手動(dòng)輸入速度慢、易出錯(cuò)等缺點(diǎn)，又有利于縮短系統(tǒng)的反應(yīng)時(shí)間，使人機(jī)交互變得簡便易行。

將語音識(shí)別技術(shù)應(yīng)用于手機(jī)銀行和微信銀行等數(shù)字化渠道，可進(jìn)一步優(yōu)化客戶和系統(tǒng)交互的客戶體驗(yàn)，完成余額查詢、賬戶掛失、手機(jī)號(hào)轉(zhuǎn)賬、轉(zhuǎn)賬費(fèi)率查詢、預(yù)約取款、賬單查詢、信用卡還款、積分查詢、信用卡掛失等基本業(yè)務(wù)辦理，減少客戶輸入信息量，增加客戶對(duì)渠道的使用黏性，在節(jié)省服務(wù)成本的同時(shí)有效提升客戶體驗(yàn)。

此外，外籍客戶服務(wù)提升也是智能語音識(shí)別技術(shù)充滿潛力的應(yīng)用場景。以廳堂或窗口服務(wù)機(jī)器人為載體，在語音識(shí)別技術(shù)應(yīng)用的基礎(chǔ)上實(shí)現(xiàn)“同聲傳譯”，使銀行能夠很好的服務(wù)外籍客戶，提升客戶尊享度，同時(shí)也為銀行更好地布局國際化戰(zhàn)略、發(fā)展海外業(yè)務(wù)提供技術(shù)支撐。

4.Identification(身份驗(yàn)證)：“認(rèn)得出”

語音識(shí)別技術(shù)還可通過聲紋識(shí)別實(shí)現(xiàn)客戶身份驗(yàn)證。在生物特征識(shí)別應(yīng)用中，基于語音的身份驗(yàn)證具有非接觸、非侵入、易用性強(qiáng)等特征，客戶易于接受。聲紋識(shí)別可以通過每個(gè)人獨(dú)特的聲音直接辨識(shí)客戶，無需設(shè)定、記住和鍵入密碼等操作，同時(shí)在信息采集方面較人臉、虹膜、指紋、指靜脈等方式具有更佳的便捷性和友好性，讓身份驗(yàn)證過程變得快速而簡單。國外領(lǐng)先商業(yè)銀行已開啟語音身份驗(yàn)證的探索，2013年5月，英國巴克萊銀行宣布使用語音識(shí)別技術(shù)，能夠在30秒內(nèi)通過一般談話驗(yàn)證客戶的身份。更進(jìn)一步，通過建立客戶聲紋庫并對(duì)語音中的聲紋鑒別，銀行可有效對(duì)客戶進(jìn)行識(shí)別、歷史檔案查詢、信息檢索與推薦。

毋庸置疑，語音識(shí)別技術(shù)為商業(yè)銀行的員工操作和客戶服務(wù)等應(yīng)用模式提供了新的技術(shù)選擇，并能進(jìn)一步提升業(yè)務(wù)效率，開拓新的業(yè)務(wù)運(yùn)營模式。近年來，語音識(shí)別技術(shù)得到了迅猛發(fā)展，但是該技術(shù)在國內(nèi)商業(yè)銀行的應(yīng)用仍處于起步階段。這主要是因?yàn)榛阢y行業(yè)領(lǐng)域特定的語料庫還不夠成熟，導(dǎo)致無法在真正意義上實(shí)現(xiàn)智能語音識(shí)別。隨著大數(shù)據(jù)技術(shù)不斷發(fā)展，數(shù)據(jù)積累越來越龐大，銀行業(yè)的語料庫必將逐漸完善，語音識(shí)別技術(shù)在商業(yè)銀行的應(yīng)用將會(huì)逐漸深入。