上個月，一年一度的中國聲學(xué)領(lǐng)域技術(shù)交流盛會 “聲學(xué)樓13周年年會暨中國音響行業(yè)白皮書發(fā)布會”在深圳市南山區(qū)金百合大酒店隆重召開。本次大會以“砥礪奮進，行穩(wěn)致遠(yuǎn)”為主題，邀請了中科院聲學(xué)所、萬魔聲學(xué)、科大訊飛、小米科技、貓王收音機、樓氏電子等院所和企業(yè)的60余位行業(yè)大咖，與來自全國各地的知名專家學(xué)者、行業(yè)著名企業(yè)家、資深工程技術(shù)人員、年輕一線工程師等1500余人分享了31場深度技術(shù)垂直的議題報告。

座無虛席的大會現(xiàn)場其中，在10月27日下午的特邀專題報告里，北京聲加科技CEO邱鋒海受邀以《聲加萬物、聆聽未來：智能語音交互應(yīng)用和技術(shù)》為題，分享了目前正在爆發(fā)的智能語音交互市場中的各項明星產(chǎn)品和其技術(shù)鏈條。并在演講中詳細(xì)分析了聲學(xué)前端技術(shù)所面臨的挑戰(zhàn)與機遇：如在百花齊放的新生市場里，智能音箱的“去插電化”、減少MEMS麥克風(fēng)組成的陣列、更靈活的喚醒詞訓(xùn)練及生成和智能耳機的尺寸更小、各類型傳感器數(shù)據(jù)融合以及更低功耗的喚醒等。

聲加科技CEO邱鋒海主題分享《聲加萬物、聆聽未來：智能語音交互應(yīng)用和技術(shù)》

邱鋒海表示，10萬年前，語言的出現(xiàn)大大加速了人類社會進化和發(fā)展的進程。時至今日，聽和說依然是人類最基本、最常用和最靈活的交流方式，同時也是最好的人機交互方式。在經(jīng)歷了計算機命令式交互到圖形界面觸摸交互，再到信息時代/高級信息時代的自然交互、和情感交互……毫無疑問，語音交互將會成為泛在的人機交互方式。

事實上，語音識別技術(shù)的研究可追溯到上世紀(jì)50年代，從單一模式匹配到70年代的模式和特征分析，再到90年的統(tǒng)計方法(HMM+GMM)，直到2010年后，深度神經(jīng)網(wǎng)絡(luò)(DNN)取得了巨大的成功，基于DNN技術(shù)的應(yīng)用也呈爆炸式增長。同時，語音識別、自然語言理解、語音合成性能等技術(shù)大幅提升，互聯(lián)網(wǎng)、移動互聯(lián)網(wǎng)的高速發(fā)展也為算法引擎提供了大量的數(shù)據(jù)“糧食”。在海量的數(shù)據(jù)紅利下，云端計算軟硬件系統(tǒng)的算力增長使其能夠快速處理海量數(shù)據(jù)，再加上邊緣計算的能力增強、功耗降低等因素，語音交互的“基礎(chǔ)設(shè)施”已逐漸成熟。因此，智能語音交互應(yīng)用的興起也就順理成章。

然而，盡管語音識別在這幾年里得到迅速發(fā)展，但是目前業(yè)界聲稱的“語音識別準(zhǔn)確度達到了90%以上”(Google在2017年6月聲稱已達到95%的準(zhǔn)確率)其實是實驗室數(shù)據(jù)。“非純凈條件下”的現(xiàn)實生活里，這個準(zhǔn)確率則降至50-70%，甚至更低。

智能語音產(chǎn)品從人到機器完成一次語音交互，需要經(jīng)過四個主要的技術(shù)環(huán)節(jié)：語音前端處理、語音識別(ASR)、自然語言理解(NLP)以及語音合成(TTS)，即從聲音的拾取到轉(zhuǎn)換成文字，到理解其含義并作出反饋，再到將反饋說出。其中語音前端處理屬于客戶端，后三者則為云端。經(jīng)過多年的技術(shù)積累，語音識別和語音合成已經(jīng)獲得突破，基本可以滿足商用。而語音前端處理和自然語言理解依然是語音交互的核心瓶頸。

語音交互的技術(shù)鏈條

作為人機交互的最底層環(huán)節(jié)，語音前端處理包括回聲消除、聲源定向、語音降噪、語音打斷、語音喚醒的MEMS麥克風(fēng)陣列，再通過MEMS麥克風(fēng)陣列實現(xiàn)復(fù)雜噪聲環(huán)境下的拾音。目前仍然處于商業(yè)初級應(yīng)用階段，距離比較理想的體驗還有相當(dāng)大的距離。比如以Siri為代表的近場語音識別要求必須是低噪聲、無混響、距離聲源很近的場景，用戶一定要對著智能手機講話才能獲得符合近場語音識別要求的聲音信號，環(huán)境稍微嘈雜一點語音識別引擎就失靈了; 而以智能音箱為代表的遠(yuǎn)場語音識別場景下，依然存在誤喚醒，方言、童音識別不準(zhǔn)以及聲源移動中的識別率低下等問題。

邱鋒海認(rèn)為，目前智能音箱、智能耳機等產(chǎn)品的技術(shù)攻關(guān)主要還是在回聲消除、立體回聲消除、去混響、自適應(yīng)波束形成(抗干擾)、前端信號處理+KWS等；而語音前端信號處理的算法同樣面臨許多挑戰(zhàn)，如單通道DNN語音增強、自噪聲抑制、多通道DNN語音增強等。同時，他也在演講最后留下了幾個開放性的問題：關(guān)于智能音箱的更少的麥克風(fēng)組成的陣列(2個麥克風(fēng)仿生人耳)，更低的計算功耗，更長的不插電待機時間，更靈活的喚醒詞訓(xùn)練、生成等，藍(lán)牙音箱的智能化(需要本地命令識別)，人機交互是以智能音箱為核心的星型網(wǎng)絡(luò)結(jié)構(gòu)還是各設(shè)備的分布式交互;關(guān)于智能耳機的尺寸更小，引入其他傳感器后各類型傳感器數(shù)據(jù)融合，更低功耗的喚醒、體驗更好的語音交互功能等。

據(jù)悉，目前在智能語音交互市場中，國內(nèi)玩家主要分為傳統(tǒng)語音技術(shù)廠商、互聯(lián)網(wǎng)廠商，和新興的創(chuàng)業(yè)公司。其中大部分集中在語音識別(ASR)、自然語言理解(NLP)以及語音合成(TTS)等云端業(yè)務(wù)，這也是歸結(jié)于語音前端處理技術(shù)的人才稀缺與實戰(zhàn)項目較少、缺乏經(jīng)驗累積等。與這些玩家相比，聲加科技更多著力于解決全場景下的語音前端處理，其強大的研發(fā)實力依托于中科院聲學(xué)所雄厚的人才和科研資源，研發(fā)人員均來自于中科院聲學(xué)所、清華大學(xué)、南京大學(xué)和中國科學(xué)技術(shù)大學(xué)等國內(nèi)一流科研院所，核心團隊成員亦大多師出于中科院聲學(xué)所，平均在業(yè)界擁有超過十五年工作經(jīng)驗。團隊此前已為國內(nèi)多個巨頭企業(yè)的智能音箱、智能耳機等明星產(chǎn)品提供遠(yuǎn)場麥陣模組設(shè)計方案、智能耳機麥陣算法、智能耳機模組等技術(shù)支持。

適用于多場景的多元化智能設(shè)備

“聲學(xué)樓”作為國內(nèi)最為專業(yè)和盛大的電聲技術(shù)研討會之一，本次大會不僅再一次掀起了中國音頻技術(shù)交流的高潮，還在開幕當(dāng)天上午由中國電子音響行業(yè)協(xié)會秘書長陳立新發(fā)布了《2018中國電子音響行業(yè)發(fā)展情況》(白皮書)，并邀請中科院聲學(xué)所李曉東教授、魅族聲學(xué)總監(jiān)陳愛民、哈曼汽車電子全球研發(fā)中心揚聲器系統(tǒng)工程總監(jiān)楊春洪、四川湖山電子高級工程師張康等業(yè)內(nèi)專家分別對智能音箱行業(yè)、耳機行業(yè)、汽車車載音響行業(yè)、專業(yè)音響行業(yè)的白皮書進行介紹。值得一提的是，參與《中國智能音箱行業(yè)發(fā)展情況》主筆的李曉東教授不僅是邱鋒海和聲加科技數(shù)位成員在聲學(xué)所深造的導(dǎo)師，也是鼓勵其創(chuàng)業(yè)的前輩。

中科院聲學(xué)所李曉東教授、博導(dǎo)主題介紹《中國智能音箱行業(yè)發(fā)展情況》(2018版)編寫情況