国内智能语音识别产业的增长,可能源于三大技术突破

来源: 作者:2018年02月01日 18:19
关键词:语音识别

据行业预测,中国智能语音产业规模将达到101.4亿元。而智能语音产业的快速发展,将带动智能家居、智能汽车以及智能穿戴设备等相关领域市场规模增长上千亿元。

智能语音市场规模得以如此神速扩张,并且应用到多个领域,这必然离不开智能语音技术的不断突破。那么,我们当前的语音技术达到了什么地步?换句话说,能够实现什么样的人机互动效果呢?

以欧拉蜜团队为代表,我们一起来看看这些年国内智能语音行业的技术突破。

技术门槛高,首先得保证语音识别准确率

中国的语音识别研究起始于1958年,由中国科学院声学所利用电子管电路识别10个元音。虽然与国外语音识别研究起步时间同步,但由于当时条件的限制,随后一段时间内技术的进展较为缓慢。

最初,我国语音技术的研究一直以学术界为主,随后才有企业逐渐涉足这个领域。由于语音识别技术准入门槛高、人才稀缺,经过多年研究与探索,一些国内企业终于在这个行业冒头,形成了“一超多强”的局面。

欧拉蜜团队在智能语音方面的研究已达5年。初期,欧拉蜜以设计出一个中文理解能力超越Siri的智能语音助理为目标,开始投入人工智能相关研究领域,而长远的目标则是致力于提供全方位的人机交互解决方案。

这5年里,欧拉蜜攻破了不少技术难关。首先要解决的,就是语音识别的精准度。

语音人机交互面临着多重技术难题。例如,人声距离不能过远、发音要标准、环境要安静、不能持续对话、不能被打断……

(欧拉蜜开发套件拾音测试视频截图)

欧拉蜜团队重点解决了这些语音识别方面的问题。目前,欧拉蜜的人声识别准确度高达90%,并且可实现超远距离识别(最远可准确识别距离8米的人声)。

同时,欧拉蜜团队研发了具有强抗噪能力的语音识别技术与核心算法,包括语音活性检测(Voice AcTIvity DetecTIon | Speech AcTIvity DetecTIon),回声消除算法(AcousticEcho Cancellation),噪声处理算法(Noise Reduction & Cancellation),混响处理算法(Reverberation)等多项专利技术。

欧拉蜜还为企业用户提供深度定制服务,比如对儿童声音、嘈杂环境声音进行训练,可达到特殊要求下的语音识别高准确度。

难点在于自然语言语义理解和处理

“能穿多少穿多少”,这句话的意思,到底是要你“多穿”呢,还是要你“少穿”呢。同样的,中文语境下,类似的歧义句还不在少数。

例如,“中国队大败德国队”,不知是中国赢了德国,还是德国赢了中国;“小王跟我请了假”,不知是小王向我请了假,还是小王和我都请了假……那么,在这种歧义的语境下,我们需要更多的信息来明确原句的意思。

比较常见的NLP/NLU现有技术与方案有这么几种。一是基于关键词和简单规则,但这样误抓率高、歧义多,无法精准抓取参数;二是基于ASR语法的扩展,但这种方式描述能力有限,可扩展性较低;三是基于统计的句法分析算法,这种算法准确率与性能不够高,且不易处理上下文问题;最后呢,是处理语法扩展的编程,但这种程序复杂度很高。

那么,欧拉蜜是怎么解决这个问题的呢?

欧拉蜜团队自主研发的语法描述语言(Syntax Language),可用灵活的规则来描述说法。同时,依托可全文检索的结构化知识库,辅助确定语法参数的合法性,消除歧义。

欧拉蜜采用了结合规则和统计的有机算法、时间和数字识别技术、以编译器技术动态解析和匹配规则,能够实现多维度的上下文支持能力,准确理解用户的表达意图。

(上图为欧拉蜜语音助手截图)

例如,当用户连续输入“今天上海的天气”,“北京呢”,“买一张去那里的机票”。经过算法处理以及数据库检索,欧拉蜜能够结合上下文,准确将“北京呢”理解为“北京今天的天气如何”,并给出当天北京的天气状况。

同样的,欧拉蜜也能获取最后一句中的“那里”指代的是“北京”,并为用户反馈当地去北京的机票信息。

以视觉行为侦测技术为辅助的语音人机交互

如果人机交互可以更加“智能”,那么它应该拥有哪些能力呢?欧拉蜜团队进一步改进了语音机器人的唤醒功能,使人机交互更加流畅。

市面上主流的智能音响,目前使用的都是语音唤醒。由于智能音响没有屏幕,一切功能都是通过语音来操控,唤醒功能也不例外。往往会用一句唤醒话术(通常是产品的名称)来作为启动标志,当人们对着智能音响说出这句话时,智能音响就会进行答复并开始接收你传递给它的信息。

你可能会说,语音唤醒已经很方便了,难道还能有什么改进余地吗?

试想一下,日常生活中,当我们想要对另一人说话时常常会面向他,这时候,不需要叫对方的名字,对方也知道我们正在与他对话。如果机器也能做到这样,那么“语音唤醒”都可以省略掉了。

(欧拉蜜人脸与视线追踪视频截图)

欧拉蜜正是想赋予语音机器人这样“人性化”的功能。因此,欧拉蜜团队使用声源定位并结合视线检测(Eye Gaze Detection)技术,来帮助机器人确认用户的说话对象。这样一来,机器人们除了知道你在说话,还能够判断出你是否是在跟它说话,并自动唤醒。

关注电子发烧友微信

有趣有料的资讯及技术干货

下载发烧友APP

打造属于您的人脉电子圈

关注发烧友课堂

锁定最新课程活动及技术直播
声明:电子发烧友网转载作品均尽可能注明出处,该作品所有人的一切权利均不因本站而转移。
作者如不同意转载,既请通知本站予以删除或改正。转载的作品可能在标题或内容上或许有所改动。
收藏 人收藏
分享:

相关阅读

发表评论

elecfans网友

分享到:

用户评论(0