如今国内语音识别行业发展是何局势?

来源:未知2019-12-02 03:09

  与此同时,自然语言处理(NLP)作为人机交互技术的重要一环,也为此提供了助力。Siri的推出打开了语音交互的先河,不仅催生了一批语音语义创业公司,还激发了百度、搜狗等大型互联网公司在语音语义技术上的投入。

  由于NLP和语义理解技术能够让机器理解人的意图和需求,并把相应内容反馈给用户,因此在客服行业得到了广泛应用,有效降低了人力成本,提高了企业运营效率。

  那么,中国智能语音语义产业主要涉及哪些技术?技术发展水平如何?存在哪些问题?有哪些应用领域、玩家和商业模式?行业格局和未来发展趋势又将如何呢?本文将为您一一解答。

  语音合成技术发展早,应用已较为普遍,除了合成音仍偏机械之外,基本不存在太大技术问题;语音识别在2012年卷积神经网络(CNN)应用之后,准确率大幅提升,已经在C端、B端得到了广泛应用,但效果和体验还不够理想;NLP技术虽然在搜索引擎中早有应用,但在人机交互领域仍属于浅层处理。

  在生物学中,有个术语叫做“鲁棒性”,是指系统在扰动或不确定的情况下,仍能保持它的特征行为。这一问题在语音识别领域也存在。

  语音识别整个过程包含语音信号处理、静音切除、声学特征提取、模式匹配等多个环节。由于语音信号的多样性和复杂性,系统只能在一定限制条件下才能获得满意效果。在真实使用场景中,考虑到远场、方言、噪音、断句等问题,准确率会大打折扣。目前业内普遍宣称的97%识别准确率,更多的是人工测评结果,只在安静室内的进场识别中才能实现。

  要解决语音识别鲁棒性问题,需要在技术和产品两方面进行优化。一方面,在语音增强、麦克风阵列以及说话人分离等多项技术领域持续投入,并结合后端语义,促进对上下文的理解,从而提升识别效果;另一方面,需要从产品设计上进行优化,比如通过进一步交互,使语音识别变得更为准确。

  目前,机器对句子的理解还只能做到语义角色标注层面,即标出句中的句子成分和主被动关系等,它属于比较成熟的浅层语义分析技术。未来要让机器更好地理解人类语言,并实现自然交互,还是需要依赖深度学习技术,通过大规模的数据训练,让机器不断学习。当然,在实际应用领域中,也可以通过产品设计来减少较为模糊的问答内容,以提升用户体验。

  由于人工智能技术对数据依赖性极高,因此,这一领域的技术进步和产业化推进是一种协同关系通过工程化的方法提升技术效果和体验,从而促进产业化应用,再根据实际应用中的数据和反馈,反过来推动技术实现突破。那么,智能语音语义在产业化方面都有哪些应用领域,又存在哪些问题?

  以问答和聊天为服务形式,智能语音语义在多个使用场景和行业领域都有广泛应用,我们可以简单从C端和B端两个方向分别来看。

  智能语音为C端提供了一种全新的交互方式,但应用和普及又跟具体场景和需求挂钩。目前,三大场景中,移动设备中的智能手机,以及车内语音交互应用为广泛。家居领域中,虽然各种家电企业也在广泛布局,但实际使用情况并不理想。

  智能语音语义在智能手机和可穿戴设备中的应用不尽相同。可穿戴设备虽然没有屏幕或屏幕较小,更适合语音交互,但大多(比如智能手表)都是非生活必需品,本身销量就很有限,再加上一些可穿戴设备并没有太多交互需求,因此实际应用量较少。

  智能手机中的各类应用软件大多都配备了语音功能,但相比触摸和文字交互,使用率也不算高。很多人仍然没有经常使用语音的习惯,或者还没有使用语音的意识。究其原因,主要由于语音交互在效果和效率上都不够理想。

  从效果上看,语音在开放场景下识别准确率并不高。对于用户来讲,结果不可预期,产生错误后纠错成本很高,所以宁愿打字。再者,用户在手机端对于打字和触摸已经非常习惯,因此缺乏改变习惯的动力。

  从效率上看,语音在智能手机和各类软件上的应用主要以输入、搜索和调取服务为主,输入信息量并不大,而且大多移动应用都是基于触摸和文字做的交互设计,有文字推荐、按键选择等友好设置,因此原有交互方式本身已经非常便捷,语音交互效果不好,容易出错,并不能很好地提升效率。

  目前,除了重度文字使用者,比如作家、记者、编辑等,对语音输入和转化有着刚性需求,其他人使用语音更多还是在无法打字或不方便触摸时,比如走路、开车等情况下。不过,随着语音识别和交互体验不断提升,会有越来越多的人在移动端使用语音。

作者:admin 责任编辑:admin