電子發(fā)燒友網(wǎng)報(bào)道（文/黃山明）多種交互方式已經(jīng)成為當(dāng)下智能家居的一大特點(diǎn)，許多產(chǎn)品已經(jīng)不再需要手動(dòng)調(diào)整和控制，更常用的是語音喚醒及操控，這也是最符合人類所習(xí)慣的交互方式。有研究表明，人類大腦皮層每天處理的信息中心，聲音信息占20%，是溝通最重要的紐帶。

但想要讓機(jī)器理解人聲，就需要在前端把聲音信號(hào)進(jìn)行處理，轉(zhuǎn)化為文字或代碼的形式供機(jī)器理解，在機(jī)器生成語言之后，再用語言合成技術(shù)將這些信息轉(zhuǎn)化為聲波，從而使用人聲來進(jìn)行回應(yīng)。

語音系統(tǒng)的發(fā)展

語音技術(shù)的發(fā)明最早可以追溯到半個(gè)世紀(jì)之前，1952年，貝爾實(shí)驗(yàn)室制作了一臺(tái)高6英尺的自動(dòng)數(shù)字識(shí)別機(jī)“Audrey”，能夠識(shí)別數(shù)字0-9的發(fā)音，準(zhǔn)確率達(dá)到90%以上。

不過這一系統(tǒng)主要基于簡單的模板匹配方法識(shí)別個(gè)體說出的孤立數(shù)字，也導(dǎo)致作為模板的熟人說出的語音識(shí)別會(huì)更精準(zhǔn)，而陌生人識(shí)別率會(huì)低一些。在此之后，連續(xù)語音識(shí)別系統(tǒng)開始出現(xiàn)，語音合成的參數(shù)合成法能夠生成比較自然的語音。

到二十世紀(jì)八十年代中期，IBM創(chuàng)造了一臺(tái)可以用語音控制的打字機(jī)“Tangora”，基于隱形馬爾科夫鏈模型（HMM），在信號(hào)處理技術(shù)中加入了統(tǒng)計(jì)信息，可以讓機(jī)器在聽到第一個(gè)音節(jié)時(shí)，便能夠預(yù)測單詞。到了1984年，這一系統(tǒng)在5000個(gè)詞匯量級上達(dá)到了95%的識(shí)別率。

時(shí)間來到2011年，微軟研究院將DNN技術(shù)應(yīng)用在大詞匯量連續(xù)語音識(shí)別任務(wù)上，極大地降低了語音識(shí)別錯(cuò)誤率。

2016年，微軟團(tuán)隊(duì)已經(jīng)將語音識(shí)別的詞錯(cuò)率（WER）降低至了5.9%，這一數(shù)據(jù)已經(jīng)相當(dāng)于專業(yè)速錄員速記同樣一段話的水平。這標(biāo)志著機(jī)器的語音識(shí)別準(zhǔn)確率第一次達(dá)到人類水平，智能語音語言技術(shù)開始逐步落地。

到了這一階段，端到端的語音識(shí)別開始被廣泛應(yīng)用，智能語音助手、智能音箱等多款應(yīng)用智能語音識(shí)別的產(chǎn)品相繼落地。發(fā)展到近期，語音識(shí)別的準(zhǔn)確率進(jìn)一步提升，且針對遠(yuǎn)場的語音識(shí)別和喚醒得到進(jìn)一步發(fā)展，全雙工語音交互開始出現(xiàn)。語音識(shí)別準(zhǔn)確率已經(jīng)達(dá)到98%以上，并且能根據(jù)實(shí)際應(yīng)用痛點(diǎn)針對性強(qiáng)化。

從2011年第一款手機(jī)語音助手Siri伴隨著iPhone 4S的亮相，讓全球各大廠商紛紛入局，也標(biāo)志著正式開啟智能語音應(yīng)用元年，到2017年下半年開始通過開放語音生態(tài)系統(tǒng)進(jìn)行產(chǎn)業(yè)內(nèi)合作，語音識(shí)別系統(tǒng)也開始向可穿戴、智能家居、車載等領(lǐng)域延伸。

據(jù)ReportLinker的預(yù)測：到2024年全球智能語音市場規(guī)模將達(dá)到215億美元，其中智慧醫(yī)療健康、智慧金融以及各類智能終端智能語音技術(shù)需求將成為主要的驅(qū)動(dòng)因素。目前國內(nèi)主要智能語音服務(wù)商如百度、科大訊飛、思必馳、樂言科技、聲揚(yáng)科技、竹間智能等。

智能家居語音系統(tǒng)

從整個(gè)智能家居語音系統(tǒng)來看，主要構(gòu)成為語音采集模塊、語音前級處理模塊、語音訓(xùn)練模塊、語音識(shí)別模塊、語音提示模塊和輸出控制模塊等。

語音采集模塊主要起到完成信號(hào)調(diào)理和信號(hào)采集的功能，通過將語音信號(hào)轉(zhuǎn)換為語音脈沖序列，模塊中主要包括聲音與電信號(hào)的轉(zhuǎn)換、信號(hào)調(diào)理和采樣等信號(hào)處理過程。

其中采樣位數(shù)與采樣率對音頻接口而言是最重要的兩個(gè)指標(biāo)，也是選擇聲音模塊的重要標(biāo)準(zhǔn)。每增加一個(gè)采樣位數(shù)相當(dāng)于力度范圍增加了6dB，采樣位數(shù)越多則捕捉到的信號(hào)越精準(zhǔn)。

而采樣頻率是指計(jì)算機(jī)每秒鐘采集多少個(gè)聲音樣本，是描述聲音文件的音質(zhì)、音調(diào)，衡量聲卡、聲音文件的質(zhì)量標(biāo)準(zhǔn)。采樣率越高，計(jì)算機(jī)攝取的圖片越多，對于原始音頻的還原也越加精確。

語音前級處理模塊主要用于濾除干擾信號(hào)、提取語音特征矢量，并將提取的語音特征矢量量化為標(biāo)準(zhǔn)語音特征矢量。

而語音訓(xùn)練模塊主要功能是將多次采集、提取到的語音特征標(biāo)準(zhǔn)矢量進(jìn)行概率統(tǒng)計(jì)，避免語音受到人自身情緒、環(huán)境等因素引起的干擾。簡而言之，這一模塊是幫助進(jìn)行語音校準(zhǔn)，減少誤差。

語音識(shí)別模塊，顧名思義，主要通過將新采集到的語音特征矢量與語音模板庫中的語音模型進(jìn)行比較，然后再判斷當(dāng)前語音命令功能。而語音模板庫中，主要存儲(chǔ)訓(xùn)練后的最佳標(biāo)準(zhǔn)語音特征矢量。

其他如語音提示模塊的主要功能為提示用戶進(jìn)行相關(guān)操作的進(jìn)度，以及前往完成的情況；而輸出控制模塊便是針對智能語音識(shí)別的結(jié)果來輸出相應(yīng)的控制信號(hào)，比如開關(guān)、音量調(diào)節(jié)、溫度大小等。

通過這些模塊的加入，便能夠讓語音識(shí)別人機(jī)交互成為現(xiàn)實(shí)。并依照這個(gè)框架，語音識(shí)別技術(shù)已經(jīng)開始有了長遠(yuǎn)的發(fā)展。

在近幾年的研究中，端到端的語音識(shí)別仍然是ASR( Automatic Speech Recognition)研究的熱點(diǎn)，同時(shí)基于Attention機(jī)制的識(shí)別系統(tǒng)已經(jīng)成為語音技術(shù)研究的主流。此外，遠(yuǎn)場語音識(shí)別、模型結(jié)構(gòu)、模型訓(xùn)練、跨語種或者多語種語音識(shí)別都成為了研究的熱門選項(xiàng)。

小結(jié)

到今年，語音識(shí)別技術(shù)已經(jīng)發(fā)展了71年，從最初只能識(shí)別特定單詞，到慢慢實(shí)現(xiàn)理解人的語音、語義，并參與到智能家居等落地應(yīng)用中來，為人們實(shí)現(xiàn)更好的生活體驗(yàn)。相比智能視覺只是針對人臉這一個(gè)變量而言，智能語音技術(shù)需要解決的是更復(fù)雜的語義、繁雜的環(huán)境、精準(zhǔn)關(guān)鍵詞的檢測等來提升輸入效率，而這些都需要時(shí)間來完成。