剑桥语音博士俞凯解读智能语音技术

1  智能语音技术发展与siri

智能语音技术发展过程可以理解为两个阶段，第一是输入和输出阶段，即识别与合成，第二是理解和思考阶段，即语义理解、对话系统、人工智能反馈。并且每一个细分领域均为单独研究，例如语音识别、自然语言处理、声纹处理，语义解析等等。

siri 目前最大的优势在于语义单项理解的算法，在一个限定的领域下，siri表现确实很好，但在整个语音领域内，尤其不限定领域和语音识别不稳定的情况下，显得有些后劲不足，这也与目前技术有关。而思必驰与siri不同的地方在与交互的理论，目前思必驰以任务型对话为目标，并专注于此。

2  一体化综合解决技术增强用户体验

目前的智能语音基本是单独模块定义单独的功能，例如语义理解、语音识别模块，彼此之间没有控制与调度，这也是造成目前语音延迟现象的部分原因，而造成延迟另外的原因是语音的处理、理解、交互系统设计方式。

用户最希望的是智能语音界面能像人与人的交流一样，语音能够迅速反馈。但目前，虽然单独语音识别很多单位都能做的很快，但组装成交互系统之后就大都无法做到这一点了。目前思必驰推出的一体化解决方案，针对利于用户体验方面进行优化，达到端到端的用户体验，优化整个控制流程，在识别的基础上同时进行输出，达到一个快速智能反馈的效果。我们是面向终端用户体验去做语音交互优化，而不仅仅提供一个模块而已。

3  人性化交互的智能语音方向

未来的智能语音交互发展方向一定是混合发展模式，将以用户为中心，综合应用全面的语音技术，而不仅仅是单纯的语音识别。第一，智能语音技术会与环境、语境自适应的结合;第二，语音的发展在自然场景下应用会越来越多，例如在高噪声环境中的处理是未来的一个方向;第三，结合上下文的语义理解以及端到端的语音交互解决。目前单独的识别以不能解决所有问题与满足用户需求，将识别、理解、对话的交互控制等融合，提供整套的解决方案才是最终的方向。

人工智能层面的语音技术中，单纯的识别率是以科研指标为中心，而人工智能角度与工程科研指标在某些方面截然不同。而我们一直以用户为中心，面向指标是令人工智能语音真正人性化，在多类环境下准确识别并反馈，以个性化色彩进行交流。语音交互的未来应当是面向用户，人性化的智能交互，而非过去模块化的交互。

俞凯博士背景：拥有剑桥大学语音识别专业的学术背景，也是国内学术界“青年***”里唯一一位来自智能语音技术行业领域的语音专家，曾多次获得美国国家标准局和美国国防部语音识别评测冠军，是国际最早的认知型人机口语对话系统原型的主要实现者，在上海交通大学创建了智能语音实验室。