作者：謝磊
語音是語言的物質(zhì)外殼，是人類區(qū)別與其他動物從而能夠主宰世界的一種強大能力，是最直接、高效的信息溝通方式。在萬物互聯(lián)時代，隨著機器學習技術(shù)的快速發(fā)展，大規(guī)模場景數(shù)據(jù)的不斷積累，算力的指數(shù)級提升， 語音逐漸成為人機交互的全新入口。從手機端語音助手到智能音響、智能車載設備……智能語音已經(jīng)由最初消費者娛樂時的調(diào)侃型應用，發(fā)展到如今可解決各種實際問題的功能性平臺。語音技術(shù)的賦能（即Speech+），為各個垂直領域開辟出了全新價值。
IDC（國際數(shù)據(jù)公司）最新發(fā)布的報告《2019年全球IT產(chǎn)業(yè)預測》中指出，AI將成為全新的用戶接口，到2024年，支持AI的用戶界面和流程自動化將取代目前三分之一基于屏幕的應用程序；到2022年， 至少30%的企業(yè)將使用會話語音技術(shù)進行客戶維護工作。
近年來智能語音技術(shù)的飛速發(fā)展背后有三個推動力，這三大因素的組合造就了人工智能和智能語音技術(shù)的發(fā)展：
第一，隨著互聯(lián)網(wǎng)技術(shù)以及手機等移動終端的普及應用，大量的真實場景和用戶語料資源得到積累和沉淀，這為語音識別中的語言模型和聲學模型的訓練提供了豐富的資源，使得構(gòu)建大規(guī)模語言模型和聲學模型成為可能。
第二，以深度學習為代表的機器學習和人工智能的發(fā)展和突破， 使得語音識別模型對復雜數(shù)據(jù)的挖掘和學習能力得到了空前的提升，使得更大規(guī)模的海量數(shù)據(jù)的作用得以充分的發(fā)揮。
第三，支持大數(shù)據(jù)和深度學習的大計算能力提升，規(guī)模計算能力為技術(shù)變革奠定了基礎。
在以上三大助力的賦能之下，智能語音在技術(shù)層面已具備根基，但若要在人機交互領域取得絕對性主導地位，拋開語義理解這個挑戰(zhàn)不談，目前的智能語音發(fā)展還面臨語音識別“魯棒性”、個性化、低資源三大主要瓶頸， 在性能、成本、智能程度上仍需繼續(xù)深耕。
語音識別“魯棒性”問題。在生物學中，有個術(shù)語叫做“魯棒性”，是指系統(tǒng)在擾動或不確定的情況下，仍能保持它的特征行為。這一問題在包括語音識別領域在內(nèi)的眾多AI領域也同樣存在。
語音識別整個過程包含語音信號處理、語音檢測與增強、聲學特征提取、聲學建模、語言模型、解碼搜索等多個環(huán)節(jié)。語音信號的多樣性和復雜性對每個模塊都有影響，因此在真實使用場景中，語音識別的“魯棒性”（穩(wěn)健性）是非常重要的挑戰(zhàn)。特別是語音交互從近講走向遠講，場景發(fā)生了變化，語音交互跨界聲學、信號處理和機器學習三個領域。聲學上帶來的影響眾多，包括聲學回波、目標移動、房間混響、各種背景噪音、干擾聲源等， 語音識別的準確率會大打折扣。
個性化。基礎語音識別和合成效果穩(wěn)定后，下一步就是追求差異化或個性化。語音服務應該為每個場景、每個用戶來深度定制，提高交互服務的粘合度。例如，開車導航時，男性就可能喜歡用林志玲的聲音，女性可能就喜歡用岳云鵬的聲音。如果語音合成只有一個聲音，大家就會覺得很無聊，因此需要做出個性化的聲音來滿足大家個性化需求，這對技術(shù)也有非常大的考驗。
低資源場景的挑戰(zhàn)。人工智能行業(yè)內(nèi)流傳一句話：“有多少人工，就有多少智能?！敝悄苷Z音作為人工智能的重要分支，在數(shù)據(jù)標注、計算資源、模型自適應等方面也都需要大量的人力財力投入。如何投入更少的資源來獲取更多更有效的成果，也是目前智能語音技術(shù)需要探索的一大重點。
瞄準智能語音技術(shù)的三大挑戰(zhàn)， 同盾智能語音實驗室做了眾多探索， 包括智能語音降噪、小數(shù)據(jù)遷移學習、低資源關(guān)鍵詞檢出等方面，有效提高了智能語音交互的體驗。
基于深度學習的智能語音降噪。在各種實際語音交互場景（比如智能客服）中，用戶語音不可避免的帶有噪聲，噪聲嚴重影響語音識別的準確率。傳統(tǒng)基于統(tǒng)計信號處理的方法很難解決一些棘手的突發(fā)或非平穩(wěn)噪聲。通過深度學習的方法，用數(shù)據(jù)驅(qū)動的思路來降噪，借助大數(shù)據(jù)有效地去學習語音和非語音之間的結(jié)構(gòu)關(guān)系，從而可以獲得非常理想的降噪效果。此外，同盾語音團隊還嘗試把人的“注意力機制”引入到深度學習算法中， 更好地解決突發(fā)噪聲問題。
基于深度學習的語音識別說話人自適應。在很多時候，通用語音識別的測試準確率已經(jīng)較為理想，但是“千人千音”，每個人的口音造成了每個人機器語音識別性能的差異。通過深度學習的方法，基于小樣本遷移學習， 讓模型適應不同人的口音，實現(xiàn)通過少量目標說話人數(shù)據(jù)提升語音識別性能的目標，提升模型效率。
低資源關(guān)鍵詞檢出。關(guān)鍵詞檢出是指從一段語音流中檢測出關(guān)注的部分，在語音內(nèi)容理解與信息挖掘中具有重要的作用。例如，在智能客服對話中，通過檢測一些關(guān)鍵詞，來挖掘用戶的需求，理解用戶。同樣的，智能音箱交互的“喚醒詞”、命令控制都是屬于關(guān)鍵詞檢出任務，通過比較輕量級的資源去做關(guān)鍵詞檢出，并不斷提升關(guān)鍵詞檢出的魯棒性和適應性， 來提高交互準確率。
來源：中國航空報
