相信大家如今在用智能手機(jī)的時(shí)候，很多時(shí)候都會(huì)用語音助手來幫助自己。但其實(shí)你知道，如今大部分汽車的汽車語音交互主要是通過方向盤上喚醒語音識(shí)別的按鈕來開啟的，可問題是現(xiàn)在的語音識(shí)別的準(zhǔn)確率并不高，還有很多問題需要解決。而要搞清楚語音識(shí)別在哪里出現(xiàn)問題，首先需要了解整個(gè)語音交互的流程。從大的方面來說，語音交互可以分成語音識(shí)別、語義理解、語音合成三大主線。
在語音識(shí)別之前，首先需要做到語音喚醒，喚醒是人機(jī)交互的主要觸發(fā)方式，和跟一個(gè)人聊天首先要叫其名字是一個(gè)邏輯。機(jī)器被喚醒后，就需要知道說話人的方位，才可以定向地拾音，解決噪聲、混響、回聲帶來的影響，同時(shí)對說話人進(jìn)行語音增強(qiáng)。這個(gè)聲源定位和語音增強(qiáng)主要是用麥克風(fēng)陣列的相關(guān)技術(shù)，要保證識(shí)別率滿足車載交互需求，還要有專門針對遠(yuǎn)場環(huán)境下基于大量數(shù)據(jù)訓(xùn)練的聲學(xué)模型，并解決人聲檢測和斷句問題，過濾無效語音，做出快速響應(yīng)。
語音交互必須解鎖的第二項(xiàng)技能是語義理解。相對完美的語義理解，不是指導(dǎo)式的，而是不設(shè)定規(guī)則或者語法的自然對話的。在語音模型中，一般有專門的模塊去判斷語音命令里的意圖，在語句中尋找關(guān)鍵參數(shù)。意圖與參數(shù)就構(gòu)成了這條語音命令所要表達(dá)的信息。比如說“我要去天安門”和“天安門在哪兒”對于系統(tǒng)來說是一樣的語義，“天安門”是參數(shù)，“在哪兒”和“要去”是意圖。當(dāng)然，這些模型并不需要人去手動(dòng)逐個(gè)建立，也是通過大量的數(shù)據(jù)模型去訓(xùn)練機(jī)器。
完成語音識(shí)別和語義的理解后，機(jī)器再通過語音合成，把信息傳遞給用戶，構(gòu)成一個(gè)完整的語音交互回合。雖然語音交互存在已達(dá)半個(gè)多世紀(jì)，車機(jī)、后視鏡、HUD等硬件都在使用語音交互，但仍然體驗(yàn)不佳，這其中有識(shí)別的原因，也有語義理解的原因，還有諸如不能糾錯(cuò)、指令式交互體驗(yàn)乏味、操作復(fù)雜等原因。很多交互方案還是觸屏+部分語音的方式，不同應(yīng)用中內(nèi)置不同的語音方案，造成了操作的煩瑣；還有的缺乏語音喚醒，不能真正解放雙手。
總體而言，基于終端大規(guī)模數(shù)據(jù)的收集和深度學(xué)習(xí)技術(shù)的出現(xiàn)使語音技術(shù)逐漸走向成熟，更好的語音交互需要用到更大體量的數(shù)據(jù)集以及更好的語音模型。雖然要花費(fèi)的時(shí)間很多，但值得期待的是，語音識(shí)別叫醒耳朵只是第一步，當(dāng)機(jī)器慢慢能夠聽懂人類的話，下一步必定是能夠親口說出“Hello World”，開啟真正的語音交互時(shí)代。
對于發(fā)展前景如此感人的語音交互有哪些優(yōu)勢呢？
信息傳遞效率高：相比于傳統(tǒng)的鍵盤輸入，語音輸入方式在速度及準(zhǔn)確率方面更具優(yōu)勢，利用語音輸入普通話時(shí)，速度是傳統(tǒng)輸入方式的 3.21 倍。
空間便捷性：與觸控相比，語音交互可以人機(jī)相距 3~5 米進(jìn)行交互，增加了交互的便捷性。
支持組合指令：在需要支持多意圖同時(shí)傳遞的場景下，語音交互可以一次性下達(dá)多條指令，然后分別執(zhí)行，比如你可以對著手機(jī)說：“播放周杰倫的《說好不哭》并且是免費(fèi)的。”
使用門檻低：對非文字使用場景友好：語音交互為老人、孩子，以及一些不方便使用文字的人群提供了便利，也在一些不方便使用文字或者手勢的場景下，比如：駕駛、玩游戲，為使用者提供了便利。
學(xué)習(xí)成本低：語音交互與我們平時(shí)說話一樣，不需要特意學(xué)習(xí)，大大降低了學(xué)習(xí)的成本。
傳遞聲學(xué)信息：通過聲紋可以進(jìn)行身份判斷，并且可以在下達(dá)指令的同時(shí)進(jìn)行身份判斷，效率更高。同時(shí)聲音還可以判斷性別、年齡層、情緒等信息。
聲音傳遞情感：聲音交互可以傳遞情感、語氣，因此在有情感訴求的場景下，語音交互是一個(gè)很好的選擇。
中天智領(lǐng)是國內(nèi)領(lǐng)先的智慧交互信息化系統(tǒng)整體解決方案服務(wù)商，智能語音交互，讓交互“說”出來，無論將來指揮中心增加多少信號(hào)，多少業(yè)務(wù)場景，不再需要后臺(tái)人員使用電腦操作，只需說出名字，即可快速大屏展示。面對成千上萬的監(jiān)控圖像，不再需要眼花繚亂的尋找，只需要說出想看到的監(jiān)控場景，大屏即可全屏顯示。
中天智領(lǐng)采用藍(lán)牙5.0通訊模式實(shí)現(xiàn)遠(yuǎn)距離智能語音交互，在離屏50米的范圍內(nèi)，按下智能激光筆上的語音按鈕，說出想要執(zhí)行的命令，系統(tǒng)將會(huì)從海量的信息中匹配與之相對應(yīng)的操作，例如說出“打開監(jiān)控”，屏幕上隨即會(huì)調(diào)出預(yù)設(shè)的監(jiān)控場景信息。智能語音交互默認(rèn)支持100個(gè)語音指令，滿足大部分用戶的使用需求，同時(shí)可以支持命令擴(kuò)展，以及特殊命令定制化。
隨著語音技術(shù)在交互距離、識(shí)別效率、語言種類等領(lǐng)域的不斷突破，相信語音交互將成為主流，即將開啟聲控時(shí)代。