智能語音發(fā)展如火如荼

根據(jù)《2018中國智能語音行業(yè)前景研究報(bào)告》，2017年中國的智能語音市場規(guī)模已經(jīng)達(dá)到了105.71億元，比2016年增長了70%，而2018年這個(gè)規(guī)模預(yù)計(jì)將繼續(xù)擴(kuò)大三分之一，達(dá)到159.7億元。

國內(nèi)的行業(yè)規(guī)模越來越大，但從技術(shù)角度看，目前的智能語音發(fā)展到了什么階段呢？我們先從頭開始說。

上世紀(jì)50年代到60年代，語音識別研究著眼于單個(gè)字詞到連續(xù)語音的識別，當(dāng)時(shí)最大的困境是對相關(guān)數(shù)據(jù)的計(jì)算能力的低下，這直接導(dǎo)致該時(shí)期研究進(jìn)展極其緩慢。到了70年代，計(jì)算機(jī)性能大幅提升，之前的問題便不復(fù)存在，并且隨著計(jì)算機(jī)軟硬件技術(shù)的高速發(fā)展，該研究已不再受困于計(jì)算能力，人們便開始將研究重點(diǎn)放在數(shù)據(jù)算法的優(yōu)化提升上，并將這一方向保持至今。

簡單來講，這個(gè)方向的問題解決方案是基于一個(gè)框架，通過對框架內(nèi)的各部分進(jìn)行改進(jìn)，最終向著識別的極限正確率邁進(jìn)。各部分中，聲學(xué)模型和語言模型的構(gòu)建，則是整個(gè)方案中的研究焦點(diǎn)。

80年代末李開復(fù)將隱馬爾科夫模型與高斯混合模型（GMM）相結(jié)合進(jìn)行語音識別建模，開發(fā)出世界上第一個(gè)“非特定人連續(xù)語音識別系統(tǒng)”,即SPHINX系統(tǒng)。隨后，主流的GMM-HMM技術(shù)框架的發(fā)展日益穩(wěn)定，但語音識別效果難以轉(zhuǎn)向應(yīng)用化的局面長時(shí)期沒有被打破，這意味著語音識別技術(shù)又遇到了瓶頸。

轉(zhuǎn)機(jī)出現(xiàn)在2006年。這一年，深度學(xué)習(xí)的概念被辛頓提出，深度神經(jīng)網(wǎng)絡(luò)（Deep Neural Network，DNN）研究因此而復(fù)蘇。2009年，辛頓和他的學(xué)生將深度神經(jīng)網(wǎng)絡(luò)應(yīng)用于語音的聲學(xué)建模上并獲得成功。到了2010年前后，微軟研究院的俞棟、鄧力等人將深度學(xué)習(xí)在圖像領(lǐng)域的突破移植到語音識別領(lǐng)域，使識別錯(cuò)誤率降低了20%以上。從此，基于GMM-HMM的語音識別框架被打破，人們開始轉(zhuǎn)向基于DNN-HMM的語音識別模型的研究。

從2011年到2018年，以深度神經(jīng)網(wǎng)絡(luò)為基礎(chǔ)的語音識別建模技術(shù)迅速發(fā)展，語音識別乃至語音交互行業(yè)呈現(xiàn)出這樣一個(gè)現(xiàn)象：全世界范圍內(nèi)的企業(yè)的建模技術(shù)萬變不離“深度神經(jīng)網(wǎng)絡(luò)”這一宗，雖大同小異但又各顯神通。

技術(shù)篇：語音識別和NLP技術(shù)仍不成熟

智能語音語義包含語音合成、語音識別和自然語言處理（NLP）三項(xiàng)主要技術(shù)。

語音合成技術(shù)發(fā)展最早，應(yīng)用已較為普遍，除了合成音仍偏機(jī)械之外，基本不存在太大技術(shù)問題；語音識別在2012年卷積神經(jīng)網(wǎng)絡(luò)（CNN）應(yīng)用之后，準(zhǔn)確率大幅提升，已經(jīng)在C端、B端得到了廣泛應(yīng)用，但效果和體驗(yàn)還不夠理想；NLP技術(shù)雖然在搜索引擎中早有應(yīng)用，但在人機(jī)交互領(lǐng)域仍屬于淺層處理。

語音識別“魯棒性“問題顯著

在生物學(xué)中，有個(gè)術(shù)語叫做“魯棒性”，是指系統(tǒng)在擾動(dòng)或不確定的情況下，仍能保持它的特征行為。這一問題在語音識別領(lǐng)域也存在。

語音識別整個(gè)過程包含語音信號處理、靜音切除、聲學(xué)特征提取、模式匹配等多個(gè)環(huán)節(jié)。由于語音信號的多樣性和復(fù)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(shí)使用場景中，考慮到遠(yuǎn)場、方言、噪音、斷句等問題，準(zhǔn)確率會(huì)大打折扣。目前業(yè)內(nèi)普遍宣稱的97%識別準(zhǔn)確率，更多的是人工測評結(jié)果，只在安靜室內(nèi)的進(jìn)場識別中才能實(shí)現(xiàn)。

要解決語音識別魯棒性問題，需要在技術(shù)和產(chǎn)品兩方面進(jìn)行優(yōu)化。一方面，在語音增強(qiáng)、麥克風(fēng)陣列以及說話人分離等多項(xiàng)技術(shù)領(lǐng)域持續(xù)投入，并結(jié)合后端語義，促進(jìn)對上下文的理解，從而提升識別效果；另一方面，需要從產(chǎn)品設(shè)計(jì)上進(jìn)行優(yōu)化，比如通過進(jìn)一步交互，使語音識別變得更為準(zhǔn)確。

語義分析仍是淺層處理

NLP技術(shù)大致包含三個(gè)層面：詞法分析、句法分析、語義分析，三者之間既遞進(jìn)又相互包含。

詞義消歧是NLP技術(shù)的最大瓶頸。機(jī)器在切詞、標(biāo)注詞性、并識別完后，需要對各個(gè)詞語進(jìn)行理解。由于語言中往往一詞多義，人在理解時(shí)會(huì)基于已有知識儲(chǔ)備和上下文環(huán)境，但機(jī)器很難做到。雖然系統(tǒng)會(huì)對句子做句法分析，可以在一定程度上幫助機(jī)器理解詞義和語義，但實(shí)際情況并不理想。

目前，機(jī)器對句子的理解還只能做到語義角色標(biāo)注層面，即標(biāo)出句中的句子成分和主被動(dòng)關(guān)系等，它屬于比較成熟的淺層語義分析技術(shù)。未來要讓機(jī)器更好地理解人類語言，并實(shí)現(xiàn)自然交互，還是需要依賴深度學(xué)習(xí)技術(shù)，通過大規(guī)模的數(shù)據(jù)訓(xùn)練，讓機(jī)器不斷學(xué)習(xí)。當(dāng)然，在實(shí)際應(yīng)用領(lǐng)域中，也可以通過產(chǎn)品設(shè)計(jì)來減少較為模糊的問答內(nèi)容，以提升用戶體驗(yàn)。

由于人工智能技術(shù)對數(shù)據(jù)依賴性極高，因此，這一領(lǐng)域的技術(shù)進(jìn)步和產(chǎn)業(yè)化推進(jìn)是一種協(xié)同關(guān)系——通過工程化的方法提升技術(shù)效果和體驗(yàn)，從而促進(jìn)產(chǎn)業(yè)化應(yīng)用，再根據(jù)實(shí)際應(yīng)用中的數(shù)據(jù)和反饋，反過來推動(dòng)技術(shù)實(shí)現(xiàn)突破。那么，智能語音語義在產(chǎn)業(yè)化方面都有哪些應(yīng)用領(lǐng)域，又存在哪些問題？

應(yīng)用篇：C端提升體驗(yàn)，B端提升效率

以問答和聊天為服務(wù)形式，智能語音語義在多個(gè)使用場景和行業(yè)領(lǐng)域都有廣泛應(yīng)用，我們可以簡單從C端和B端兩個(gè)方向分別來看。

C端應(yīng)用方面，主要用于移動(dòng)設(shè)備、汽車、家居三大場景，用來變革原有人機(jī)交互方式；B端則針對垂直行業(yè)需求，提升人工效率，比如幫助醫(yī)生做電子病歷錄入，或代替部分人力工作，比如回答大部分簡單重復(fù)的客服問題。由于兩大領(lǐng)域解決的問題不同，因此遇到的挑戰(zhàn)也各不相同。

特別地，在智能機(jī)器人的應(yīng)用方面，目前的機(jī)器人與用戶一般都會(huì)采用相互問答的小型對話形式進(jìn)行交流。為實(shí)現(xiàn)上方便，問答對話的領(lǐng)域?qū)⒈贿M(jìn)行合理的限制。

除迎賓和問候語外，一般設(shè)計(jì)為4個(gè)問題域：有關(guān)時(shí)間、日期和星期的問答，有關(guān)全世界各大城市所在時(shí)區(qū)和當(dāng)?shù)貢r(shí)間的問答，100以內(nèi)的數(shù)學(xué)四則運(yùn)算題目的問答，沒有關(guān)系機(jī)器人的身世、本領(lǐng)等自身情況的問答。對于每個(gè)限定的問題域，相應(yīng)詞匯表的大小是有限的。在限定領(lǐng)域、有限詞匯的條件下，機(jī)器人基本可以與觀眾進(jìn)行自由問答，并可以在不同的問題與之間相互切換。系統(tǒng)工作流程圖如下：