“芝麻開(kāi)門。”
“芝麻關(guān)門。”
“我要去五樓。”
這幾條充滿童趣的語(yǔ)句,實(shí)際上是控制電梯的語(yǔ)音指令。疫情當(dāng)前,電梯是非常高風(fēng)險(xiǎn)的區(qū)域,尤其是手指碰觸電梯按鍵的時(shí)候。針對(duì)這一場(chǎng)景,思必馳推出了電梯語(yǔ)音控制模塊。“在后裝的電梯上也可以進(jìn)行安裝,而且安裝起來(lái)非常簡(jiǎn)單方便。” 思必馳 IoT 商務(wù)總經(jīng)理陳葦珍在演示過(guò)程中表示。
思必馳 IoT 商務(wù)總經(jīng)理陳葦珍
“97%或者 99%只是實(shí)驗(yàn)室數(shù)據(jù)”
電梯控制是一個(gè)典型的語(yǔ)音識(shí)別應(yīng)用場(chǎng)景,技術(shù)的進(jìn)步正在改變人機(jī)交互的方式和結(jié)果。
語(yǔ)音識(shí)別是人機(jī)交互中的重要技術(shù),所涉及的領(lǐng)域包括信號(hào)處理、模式識(shí)別、概率論和信息論、發(fā)聲機(jī)理和聽(tīng)覺(jué)機(jī)理、人工智能等,近些年語(yǔ)音識(shí)別技術(shù)取得顯著進(jìn)步,開(kāi)始從實(shí)驗(yàn)室走向市場(chǎng)。
人工智能和機(jī)器學(xué)習(xí)領(lǐng)域權(quán)威學(xué)者吳恩達(dá)此前表示,當(dāng)語(yǔ)音識(shí)別準(zhǔn)確率達(dá)到 99%時(shí)將改變?nèi)藱C(jī)交互方式。陳葦珍認(rèn)為:“不管 97%還是 99%,如果單純強(qiáng)調(diào)這種實(shí)驗(yàn)室的語(yǔ)音識(shí)別的數(shù)據(jù),它的價(jià)值會(huì)相對(duì)有限,需要結(jié)合到具體的場(chǎng)景來(lái)看,比如說(shuō)辦公、車載、家居、金融等領(lǐng)域的應(yīng)用場(chǎng)景,再結(jié)合大數(shù)據(jù)的運(yùn)算和認(rèn)知計(jì)算,才能夠真正地形成一個(gè)好的交互體驗(yàn)。”
她強(qiáng)調(diào):“思必馳更關(guān)注的是完整的人機(jī)語(yǔ)音交互技術(shù),除了語(yǔ)音控制之外,更多的是關(guān)注交互能力和對(duì)話能力。我們的語(yǔ)音識(shí)別包括連續(xù)的云端識(shí)別,還有實(shí)時(shí)識(shí)別、抗噪識(shí)別、遠(yuǎn)場(chǎng)識(shí)別以及大詞匯識(shí)別和本地識(shí)別。”
關(guān)注思必馳的人都知道他們還有一個(gè)“語(yǔ)音識(shí)別++”。“除了提供文本信息識(shí)別之外,語(yǔ)音識(shí)別++也會(huì)有情緒識(shí)別、年齡識(shí)別、聲紋識(shí)別這些信息。” 陳葦珍介紹說(shuō):“我們的情緒識(shí)別已經(jīng)能夠去支持覆蓋主流的情緒:憤怒、快樂(lè)、喜悅等,可以針對(duì)性地做出擬人化反映。同時(shí)這種分類的識(shí)別計(jì)算是為了把我們的識(shí)別信息進(jìn)行多樣化,輔助生成用戶畫(huà)像。”
讓機(jī)器能夠感受人的喜怒哀樂(lè),從人機(jī)交互走向人人交互,甚至是超越人人交互,這個(gè)過(guò)程確實(shí)不只是識(shí)別準(zhǔn)確率提升的問(wèn)題。
遠(yuǎn)場(chǎng)和混合語(yǔ)言是“攔路虎”
在語(yǔ)音識(shí)別的具體應(yīng)用場(chǎng)景中,我們總是能夠發(fā)現(xiàn)一些有共性且突出的識(shí)別障礙,比如遠(yuǎn)場(chǎng)聲音的處理以及混合語(yǔ)言的處理。
遠(yuǎn)場(chǎng)語(yǔ)音識(shí)別常見(jiàn)的場(chǎng)景比如會(huì)議室、車載場(chǎng)景、智能家居等,這些場(chǎng)景中會(huì)出現(xiàn)較為明顯的“雞尾酒會(huì)問(wèn)題”,出現(xiàn)收音不理想和背景音噪聲等情況。
對(duì)于遠(yuǎn)場(chǎng)語(yǔ)音識(shí)別而言,不僅要有好的語(yǔ)音識(shí)別算法,在硬件層面同樣需要一定規(guī)格的配置。陳葦珍表示:“思必馳推出了軟硬一體化的麥克風(fēng)陣列解決方案,能夠支持在家居環(huán)境 5 米的良好交互效果,能夠支持 360 度的角度適應(yīng)。線性陣列方面,能夠支持 180 度的角度適應(yīng),同時(shí)可以實(shí)現(xiàn)純軟件算法的降噪。”
另一個(gè)障礙是混合語(yǔ)言應(yīng)用場(chǎng)景,包括中英文混合、方言等。“混合識(shí)別確實(shí)是比較難攻克的問(wèn)題,主要難點(diǎn)實(shí)際是在聲學(xué)模型上。目前,我們?cè)诼晫W(xué)模型的建模上采用從端到端的中英文交雜輸出的方式。這個(gè)模型的好處是一個(gè)模型能夠同時(shí)支持中文、英文或者是中英文交雜輸出,同時(shí)能夠保證它的中文性能不受損傷。” 陳葦珍講到。
結(jié)合她的描述,這樣的方式是可以復(fù)制的,從中文+英文到中文+粵語(yǔ),甚至是中文+英文+粵語(yǔ),能夠融入的方言還包括上海話、四川話、重慶話和山東話等。
后記
讓機(jī)器與人能夠像人與人一樣溝通,這是一種感性的需求。隨著智能語(yǔ)音技術(shù)的不斷精進(jìn),人與機(jī)器之間必將突破交互的限制,達(dá)到交流的程度。在人與人的交流過(guò)程中,智慧的人類彼此之間有著更為豐富的表達(dá),對(duì)于機(jī)器而言人類是“善變”的。因此,讓機(jī)器找到萬(wàn)變不離其宗的規(guī)律,是人機(jī)交互更進(jìn)一步的關(guān)鍵所在。