想象著，當(dāng)你下班回到家，輕輕地對(duì)門說(shuō)聲“我回來(lái)啦”，在接收到你信息一瞬間，門不僅自動(dòng)打開(kāi)，并在短時(shí)間內(nèi)開(kāi)啟了空調(diào)和電視。這種感覺(jué)是不是很棒！

在很多國(guó)外科幻大片所描述的未來(lái)生活中，使用語(yǔ)音方式來(lái)操控家電的炫酷場(chǎng)景也是無(wú)處不在。在《鋼鐵俠》系列電影中，男主角回到家以后，說(shuō)聲想喝咖啡，咖啡機(jī)便開(kāi)始沖咖啡，這種生活真是令人羨慕。隨著語(yǔ)音交互技術(shù)的不斷成熟，未來(lái)電影中的畫面將會(huì)很快變成現(xiàn)實(shí)喲！

語(yǔ)音交互與智能家居

數(shù)據(jù)顯示，2018年，中國(guó)智能家居規(guī)模將達(dá)到1800億元，到2020年，智能家居市場(chǎng)規(guī)模將達(dá)到3576億元。分析師預(yù)測(cè)，2021年全球智能家居市場(chǎng)規(guī)模將達(dá)5000多億元。

在汽車及互聯(lián)網(wǎng)領(lǐng)域，語(yǔ)音交互功能已經(jīng)很普及。福特的SYNC系統(tǒng)專為手機(jī)和數(shù)字媒體播放器配備的福特車載多媒體通信娛樂(lè)系統(tǒng)，是目前車載系統(tǒng)中采用語(yǔ)音交互技術(shù)的成功的案例，已經(jīng)廣泛應(yīng)用在福特多個(gè)系列汽車中。互聯(lián)網(wǎng)巨頭蘋果在其iPhone 4S中推出智能語(yǔ)音助理應(yīng)用Siri后，Google公司也在其安卓智能手機(jī)操作系統(tǒng)中推出了GoogleNow智能語(yǔ)音搜索及問(wèn)答服務(wù)，微軟公司也將語(yǔ)音技術(shù)應(yīng)用于WindowsPhone。

在智能家居領(lǐng)域，國(guó)外的IT巨頭已先后以智能家庭產(chǎn)品與語(yǔ)音相結(jié)合的方式進(jìn)入智能家庭領(lǐng)域：谷歌收購(gòu)NEST布局智能家庭，不斷強(qiáng)化Google Now的語(yǔ)音入口；蘋果HomeKit智能家居平臺(tái)與Siri也不斷加強(qiáng)融合；微軟也發(fā)布了語(yǔ)音助手Cortana（小娜），為它在智能家庭領(lǐng)域擴(kuò)展交互入口。

在國(guó)內(nèi)，早于2014年8月，語(yǔ)音巨頭科大訊飛就宣布進(jìn)軍智能家庭市場(chǎng)，并發(fā)布了智能語(yǔ)音助手靈犀3.0來(lái)操控智能家居設(shè)備，這些設(shè)備都需要事先和靈犀3.0對(duì)接，便可以在靈犀App中搜索到設(shè)備，然后進(jìn)行語(yǔ)音操控。目前支持的設(shè)備已經(jīng)有不少，包括了電視、咖啡機(jī)、電燈、空調(diào)、熱水器等。

隨著國(guó)內(nèi)外巨頭們對(duì)語(yǔ)音交互領(lǐng)域投入的增加，語(yǔ)音核心技術(shù)正逐步成熟，曾經(jīng)的技術(shù)瓶頸亦在慢慢被突破。這其中語(yǔ)音識(shí)別技術(shù)是語(yǔ)音交互的基礎(chǔ)與核心，“語(yǔ)音識(shí)別”技術(shù)相當(dāng)于給計(jì)算機(jī)系統(tǒng)安裝上“耳朵”，使其具備“能聽(tīng)”的功能。該技術(shù)經(jīng)過(guò)語(yǔ)音信號(hào)處理、語(yǔ)音特征處理、模型訓(xùn)練及解碼引擎等復(fù)雜步驟，使機(jī)器最終能夠?qū)⒄Z(yǔ)音中的內(nèi)容、說(shuō)話人、語(yǔ)種等信息識(shí)別出來(lái)。

主流的語(yǔ)音識(shí)別系統(tǒng)框架圖

語(yǔ)音交互的技術(shù)壁壘在哪里？

前文中說(shuō)到了語(yǔ)音交互技術(shù)在智能家居領(lǐng)域的運(yùn)用，作為主流人機(jī)交互方式之一，語(yǔ)音交互方式將人們的雙手從觸摸屏解放出來(lái)，減少人們?cè)跀?shù)據(jù)輸入上花費(fèi)的時(shí)間。但語(yǔ)音交互并不適用于所有場(chǎng)景，目前，智能家居領(lǐng)域，語(yǔ)音交互還存在以下幾個(gè)問(wèn)題：

一張圖看懂語(yǔ)音交互

遠(yuǎn)場(chǎng)及噪音干擾下識(shí)別準(zhǔn)確率有待提升及端點(diǎn)檢測(cè)中的降噪處理技術(shù)。這也被稱為“雞尾酒會(huì)問(wèn)題”，寓意在嘈雜的雞尾酒會(huì)上遠(yuǎn)距離準(zhǔn)確識(shí)別某一個(gè)特定的聲音。當(dāng)前該問(wèn)題解決方式是多通道信號(hào)處理，例如麥克風(fēng)陣列的變換。相關(guān)落地技術(shù)包括思必馳&亞馬遜Echo“環(huán)形6+1”麥克風(fēng)陣列， 以及悠響聲學(xué)Mic隨意安裝語(yǔ)音拾取技術(shù)。

端點(diǎn)檢測(cè)、特征提取和解碼過(guò)程中模型優(yōu)化。如果放下現(xiàn)有問(wèn)題的假設(shè)與相關(guān)設(shè)計(jì)，而是交托給機(jī)器，讓其從訓(xùn)練數(shù)據(jù)中學(xué)到的轉(zhuǎn)換模型來(lái)把語(yǔ)音轉(zhuǎn)成文字序列，可能更簡(jiǎn)單高效。

當(dāng)前主要用端到端CTC模型+Attention模型來(lái)優(yōu)化。地平線的內(nèi)部評(píng)測(cè)證明：在1000小時(shí)的數(shù)據(jù)上，CLDNN+CTC模型相比于之前的DCNN模型，性能大概提升了 15%～20%。但端到端的實(shí)用性存在爭(zhēng)議，現(xiàn)階段它只是流程中的某一個(gè)部分的步驟簡(jiǎn)化，尚未囊括解碼部分，而且需要大量的訓(xùn)練集。

增強(qiáng)預(yù)測(cè)性和可適應(yīng)性。在日常人際交流中，人們會(huì)預(yù)測(cè)對(duì)方下一句會(huì)說(shuō)什么。而讓機(jī)器獲得相似預(yù)測(cè)能力的突破口在半監(jiān)督，無(wú)監(jiān)督學(xué)習(xí)，尤其是強(qiáng)化學(xué)習(xí)和遷移學(xué)習(xí)。騰訊之前有一個(gè)PAC-RNN模型，能夠非常快地自適應(yīng)，從而持續(xù)改進(jìn)識(shí)別結(jié)果。但是這個(gè)模型由于遞歸神經(jīng)網(wǎng)絡(luò)的環(huán)路比較大，訓(xùn)練上比較困難。

在硬件方面，AI語(yǔ)音識(shí)別領(lǐng)域的芯片研發(fā)也是熱點(diǎn)。而在終端，語(yǔ)音識(shí)別兩個(gè)關(guān)鍵因素是實(shí)時(shí)性與成本，研發(fā)語(yǔ)音識(shí)別專屬芯片是終端語(yǔ)音識(shí)別硬件發(fā)展趨勢(shì)，終端芯片的例子包括：?jiǎn)⒂⑻﹤惤K端智能語(yǔ)音識(shí)別芯片CI1006，云知聲UniRobot硬件芯片系統(tǒng)，和MIT在ISSCC2017上發(fā)表的paper里的芯片。

小結(jié)：

投身消費(fèi)領(lǐng)域，智能家居改變了消費(fèi)者的居住方式，語(yǔ)音交互為智能家居創(chuàng)造了一個(gè)安全、舒適、便利和信息化的居住空間做了不少貢獻(xiàn)，使人們適應(yīng)在信息社會(huì)的快節(jié)奏中家居與外部世界保持完全開(kāi)放的生存狀態(tài)。智能家居以家庭為單元，運(yùn)用多種信息技術(shù)，達(dá)到監(jiān)控與信息交互的目的，在未來(lái)，居住更加智能、消費(fèi)者的居住體驗(yàn)更加舒適，一場(chǎng)由語(yǔ)音交互的變革看起來(lái)勢(shì)在必行了。