AI时代，智能语音技术及其产业化应用

10月19日，东软开放日大汽车专场暨韬客第四季在东软举办，活动旨在充盈企业员工知识库，以促进对外知识技能、市场信息交流为目的。

思必驰·上海交大联合实验室副主任、上海研发中心主任钱彦旻受邀参加，发表了题为《智能语音技术及产业化应用》的演讲，从AI语音科技的时代进程、技术重难点到产业应用等全方位，展示智能语音对于科技和社会的影响力。

AI语音技术：智能时代的入口

移动互联网时代的繁荣离不开PC时代的技术沉积，如果说科技是个接力棒的革新过程的话，那人工智能的爆发便离不开移动互联网奠定的结实基础。

钱彦旻表示，大数据、云计算、超级硬件、深度学习共同构成了人工智能四大基础，在此之上，人工智能以实体机器人、人机交互的形式进行商业化落地，并以大数据分析的方式智能运营，以上三点共同促成了人工智能的爆发和AI时代的到来。

AI技术在物联网的应用加深了人与硬件及硬件与硬件之间的联系，同时也促使了智能设备形态的迷你化和无屏化，因此钱彦旻认为，智能口语对话是物联网时代的人工智能入口，从而，语音交互成为继按键、触屏交互方式之后的新兴交互模态。

同时更促进了传统电子产品的升级，如手机智能助手、智能音箱、智能手表等以语音交互为主的智能设备都是这一演变下的产物，AI语音交互已成为新兴科技产品的智能入口。

在数十年前，图灵测试便提出了“能否通过智能对话测试是判断机器是否具备人类智能的方法”，由于智能对话可直接体现AI的认知和感知能力，是智能化的最高表现，故被喻为人工智能皇冠上的明珠，而语音识别及分析作为智能语音交互闭环的入口，对语义内容提取起着“金钥匙”般的开端作用。

语音识别技术：智能对话入口

语音识别历来是人工智能和机器学习中的十大经典难题之一，它的难点可以整体归纳为三方面的不确定性——说话人、环境、设备。

说话人作为语音主体，本身具有语言复杂性，世界上有6900多种语言，且小语种的数字资源较为匮乏，开发难度大；语音富信息，如性别、年龄、情绪的不同也让语音识别的过程更加复杂。

就外部环境而言，噪声下的鲁棒识别是语音识别大规模应用的主要绊脚石，会议室、电影院、体育场等场景的不同，会导致噪声、远场、信道失配等情况的差异，这对于多类别复杂场景下的通用语音识别的实现难度较大。

识别技术离不开计算资源的支持，离线识别、连续性识别、低功耗等技术和硬件设备的升级都能帮助计算资源的扩展，对将语音识别走向千家万户，有巨大的推动作用。

针对以上难点，思必驰的语音识别技术也有了改进，其识别技术可进行声纹识别、抗噪及远场识别、性别、年龄、情绪识别等；在设备上，研发的AI语音专用TAIHANG芯片，能更好地实现离线识别和低功耗等功能，将AI语音技术赋能至更多智能硬件中。

智能车载：最佳应用场景

从技术到到商业化变现，离不开对场景需求的挖掘和探索，车载是AI语音的最佳应用场景，思必驰将全链路语音交互技术应用于智能车载方案，其中包括车载语音交互系统——天琴语音助手，目前已与上百家车企、Tier1合作，已将“小天”搭载至五十余款主流车型中。

语音采集上，思必驰的双麦/四麦方案可采集车载空间的全方位语音信息，通过多音区定位技术支持一对多交互；语音识别上，能够保证在噪音环境下保持超高识别率和“云+端”稳定性，同时支持普通话和多种方言识别。

在语义理解和对话管理上，天琴助手能分析出说话人情感，完成高情商的闲聊互动，并同时完成各项技能和内容资源调用任务，如点歌、导航、订票、查天气等等；作为对话回应，思必驰的TTS复刻技术可快速生成“高仿真度”的合成音，让爱人、家人、朋友时刻陪伴自己。

在整个车载场景的交互中，思必驰的全双工技术可以让唤醒、聆听、回复同时进行，实现one-shot一把说，贴近自然语言对话。此外，还包括了个性化推荐、智能打断、离线交互等，来更好地帮助车主解放双手，守护出行安全。

未来思必驰会将AI语音技术应用于更多行业场景中，“沟通万物，打理万事”是思必驰的愿景，更是智能语音在AI时代的驱动方向。