（文章來源：安防知識網(wǎng)）

從文字時代到圖像時代，再到如今無處不在的語音時代，智能語音技術(shù)的流行和爆發(fā)不斷刷新著人們的生活方式。亞馬遜Echo的出現(xiàn)就是最鮮明的里程碑。大環(huán)境表明，智能語音技術(shù)最廣泛的應(yīng)用還是智能單品（智能音箱、機(jī)器人）以及智能家居等領(lǐng)域，且語音識別技術(shù)是智能語音技術(shù)最為核心的落地技術(shù)。但需要提及的是，進(jìn)入智能語音技術(shù)的發(fā)展＊＊期，智能語音技術(shù)是時候該有一些比較新穎的落地場景出現(xiàn)了。

隨著人工智能技術(shù)賦能各大行業(yè)，不少企業(yè)也已將戰(zhàn)略轉(zhuǎn)向了“AI＋”。而基于安防行業(yè)廣而大的應(yīng)用前景，“AI＋安防”很快就成為了市場的主流旋律。而身為人工智能技術(shù)的一大分支，智能語音技術(shù)自然也需要在安防行業(yè)進(jìn)行“擇業(yè)”與“取景”，首當(dāng)其沖的就是語音識別技術(shù)。

學(xué)會與機(jī)器進(jìn)行相互共同理解，即人機(jī)交互也一直是安防行業(yè)的智能核心所在。而語音識別技術(shù)作為人機(jī)交互最為核心的落地技術(shù)，該技術(shù)在安防行業(yè)也有不少落腳點，主要應(yīng)用在以智能巡檢機(jī)器人為代表的安防機(jī)器人身上。與其他可發(fā)聲的服務(wù)機(jī)器人類似，安防機(jī)器人通過內(nèi)置的麥克風(fēng)接受外界聲音，并對人聲進(jìn)行識別和理解，一旦讀懂“人聲”背后有類似危險的行為存在，將自動觸發(fā)報警系統(tǒng)進(jìn)入防御狀態(tài)，從而對目標(biāo)人物起到安全防護(hù)的作用。

而除了安防機(jī)器人，在安防行業(yè)的智能酒店場景之中，語音識別技術(shù)也起到了關(guān)鍵性的作用。在阿里近日開張的未來酒店中，盡管人臉識別是其主打技術(shù)，但貫穿酒店服務(wù)全過程中的智能機(jī)器人也是不可缺乏的關(guān)鍵人物。在阿里未來酒店中，機(jī)器人充當(dāng)著酒店前臺的作用，對入住房客進(jìn)行全過程引導(dǎo)，而在酒店房間中，房客也可通過與天貓精靈的交流，從而完善自己的住房體驗。在未來酒店的入住過程中，不管是充當(dāng)前臺的機(jī)器人還是服務(wù)員天貓精靈，其都是通過語音識別技術(shù)完成人機(jī)交互，從而通過這種用語音識別技術(shù)打造的全棧式語音交互系統(tǒng)，隨時隨地打造智能互聯(lián)的場景。

當(dāng)然，語音識別技術(shù)在安防行業(yè)的應(yīng)用，也涉足到了智慧金融、智慧教育等多個智慧化場景當(dāng)中。以人臉識別技術(shù)為核心的視頻監(jiān)控時安防行業(yè)的主要應(yīng)用，這種我們無需多談，但未來我們是否也能腦洞大開，用智能語音技術(shù)輔助人臉識別，使得視頻監(jiān)控更為智能化。市場都在談?wù)Z音識別技術(shù)，但很少有企業(yè)注意，聲紋識別以及語音情感識別也歸屬于智能語音技術(shù)。

聲紋識別也稱說話人識別，通過將聲信號轉(zhuǎn)換成電信號，再用計算機(jī)進(jìn)行識別。可具體分為說話人辨認(rèn)和說話人確認(rèn)。在不同場景，聲紋識別技術(shù)的選擇不同，如縮小刑偵范圍時可能需要辨認(rèn)技術(shù)，而銀行交易時則需要確認(rèn)技術(shù)。語音情感識別是情感識別的方式之一，是指由計算機(jī)自動識別輸入語音的情感狀態(tài)。計算機(jī)通過傳感器對不同聲調(diào)表情的語言信號，在時間構(gòu)造、振幅構(gòu)造、基頻構(gòu)造和共振峰構(gòu)造等特征方面的構(gòu)造特點和分布規(guī)律進(jìn)行測算和分析，從而識別出所有語言聲調(diào)中所隱含的情感內(nèi)容。

盡管當(dāng)前人臉識別技術(shù)的識別率高達(dá)99％甚至是99．9％，但剩下的1％甚至0．1％卻是當(dāng)前科技無法攻克的難題。想象一下，如果在當(dāng)前具備人臉識別的視頻監(jiān)控系統(tǒng)中加入聲紋識別和語音情感識別技術(shù)，形成的聲像融合技術(shù)（讀唇），即使目標(biāo)受眾處于無聲狀態(tài)，也能對其思想及行為進(jìn)行預(yù)測和識別，當(dāng)前的視頻監(jiān)控系統(tǒng)是否也將提升到一個新的智能化高度，真正做到“防患于未然”。

不可否認(rèn)，由人臉識別、聲紋識別以及語言情感識別形成的多模態(tài)交互系統(tǒng)，應(yīng)該能安防行業(yè)打開不少新應(yīng)用大門，例如場景分析和事件檢測。而在新一輪AI產(chǎn)業(yè)變革下，多模態(tài)技術(shù)也將成為決勝關(guān)鍵。“無語音不安防”，聽起來似乎是個挺好的愿景。但遺憾的是，就目前看來，智能語音要“取景”安防行業(yè)，還有許多難點需要解決。

廣泛認(rèn)為，人工智能在安防行業(yè)的應(yīng)用布局，還有四個“如何”需要解決——如何打造場景化AI應(yīng)用，滿足用戶需求？如何構(gòu)建行業(yè)智能系統(tǒng)，解決產(chǎn)業(yè)實際問題？如何完善基礎(chǔ)設(shè)施、產(chǎn)業(yè)標(biāo)準(zhǔn)和安全防范機(jī)制？如何構(gòu)建互利共贏的智能產(chǎn)業(yè)新生態(tài)？而這四個如何，放在智能語音技術(shù)在安防行業(yè)的應(yīng)用上來看，也毫無違和感。

遠(yuǎn)場語音識別應(yīng)該是智能語音在安防行業(yè)進(jìn)行語音識別中最為關(guān)鍵的核心技術(shù)，但這種技術(shù)依舊還存在著回聲、噪聲以及混響三大技術(shù)瓶頸、最為直觀的例子在于，安防機(jī)器人在公共區(qū)域執(zhí)行安保工作之時，由于所接收的語音信號太多，其無法對目標(biāo)語音進(jìn)行分離，從而無法進(jìn)行正常識別。

再比如上文所提及的語言情感識別技術(shù)。實際上，將語音中的情感特征化比面部表情的特征化難得多，因為面部表情信號傳達(dá)了個人特征和表情，并不傳達(dá)語言信息，而語音信號是混合信息，包括說話者特征、情感和說話內(nèi)容中強(qiáng)調(diào)的詞匯和語法，其所需要進(jìn)行訓(xùn)練和學(xué)習(xí)的數(shù)據(jù)都比人臉識別多得多。

而除了遠(yuǎn)場語音識別和語言情感識別技術(shù)難題，智能語音技術(shù)自身還有不少難題未能突破，包括、口音、目標(biāo)說話人分離、多語種混雜、高效遷移與數(shù)據(jù)迭代以及行業(yè)標(biāo)準(zhǔn)和攻擊防御等等，導(dǎo)致其不止在安防行業(yè)，現(xiàn)階段AI智能語音在各行業(yè)的應(yīng)用，似乎用“人工智障”來形容會更為合適。
? ? ? （責(zé)任編輯：fqj）