语音助手，赋能多形态终端

随着我国人工智能发展规划的出台，以及各项关键技术的日趋成熟，物联网时代逐步成为继移动互联网时代的下一个浪潮，人机交互开启新一轮的需求革新，从鼠标、键盘、触屏的传统交互向语音交互演进，社会正在飞速进入智能语音交互时代。

以“语音+内容+智能”为切入点，打造自主设计、自主整合、自主运营的一站式语音交互共享平台，构建可运营、能变现的语音交互生态，赋能多形态终端产品，打造能听会说的人机交互体验，是未来智慧家庭发展的大趋势，也是中国移动智慧家庭运营中心推进数字家庭生态建设的重点方向。

1 语音交互是智慧家庭生态布局的关键入口

1.1 人机交互需求不断革新

伴随着交互场景的拓展，人们逐渐对交互自由度提出了更大需求，语音交互越来越贴近人类的本能表达。语音交互凭借其输入速度快、场景限制少、技术链条发展成熟等优势，成为智能时代的理想交互途径，并逐步向交互智能、终端多态、服务泛在的方向发展。

1.2 家庭场景服务更加智能

语音交互是将人工智能技术底层产业化的关键，语音助手连接多形态终端和广泛业务，可提供内容服务、互联网服务，以及场景化智能家居控制等服务，为家庭用户提供互动娱乐、互动教育、家庭健康、家庭安防等新型产品体验，其中智能音箱成为首款爆发单品，并逐步向更多产品形态延伸。

2 核心技术攻关提升体验

智能语音交互主要涉及语音识别、语义理解和语音合成等技术。语音识别技术能将语音流转换为文本，语义理解技术可分析语句的含义、剖析用户意图，语音合成技术将解析结果以语音的方式反馈给用户，从而实现与用户的智能语音交互。

2.1 语音识别——听得清

智能语音交互平台现采用基于Transformer算法的端到端模型，具备识别速度快、识别准确率高的特性。该模型采用基于上下文理解的自注意力机制，提升了语义特征提取能力，解决了传统模型中声学模型和语言模型无法联合优化的问题，并且该算法能更好地利用先进硬件实现并行计算，从而提升运算速度。

2.2 语义理解——听得懂

平台采用基于规则+深度+关键词匹配算法的多算法融合模型理解用户意图，规则算法对于较短文本可实现快速准确的匹配，深度学习算法可对词表无法覆盖的新词进行识别，关键词匹配算法对于词表顺序颠倒、文本长尾问题，能快速准确地识别文本意图。

2.3 语音合成——说得明

平台采用端到端合成系统，可直接输入文本或注音字符，直接输出音频波形，该系统降低了对语言学知识的要求，能批量实现几十种甚至更多语种的合成系统，并且它表现出丰富的发音风格和强大的韵律表现力，加快不同声音的合成。

3 语音OS锻造，赋能语音生态

3.1 语音助手，赋能多形态终端

智能语音交互平台面向多形态终端提供语音助手，采用Hook技术分离各个子模块，实现语音点播、通话、听书、对话等功能，协助平台构建声纹、情绪、体感等多模态识别交互和相应反馈、推荐业务，兼容主流操作系统，支持自定义接口扩展，大大缩短接入周期和研发成本，快速赋能生态硬件及应用的语音交互能力。

3.2 语音插件，赋能海量应用

平台面向海量应用提供语音交互插件，制定标准开放协议，基于IPC实现第三方应用与Launcher的跨进程通讯，当用户调用语音控制，由平台下发热词及词槽信息，Launcher进行动态匹配并下发至第三方应用，可进行直播、点播、播控等，从而实现所见即所得。

4 整套场景封装，提供系统解决方案

4.1 全屋智能

基于智能语音交互能力和Andlink智能家居云平台，提供智能音箱、智能面板、智能照明、智能开关等一体化全屋智能解决方案，实现跨厂商设备的接入和语音控制，可与智能门禁、摄像头等结合，实现家庭安防组合等细分场景。

4.2 AI客厅

打造智慧屏，通过语音遥控器、智能音箱与智能电视结合的方式，实现电视播控推荐，将语音能力赋能教育、电商、音乐、游戏、健康等大屏应用，发挥轻量级语音技能，实现一说即得的用户体验。

4.3智能对话服务

提供融合语义推导与语义匹配的对话理解技术，预置涵盖音视频娱乐、设备控制、生活服务等领域的对话能力及词典，高效定制对话能力，在智能助手、在线客服、语音家教等领域可广泛应用。

5 结束语

智能语音交互系统攻关语音识别、语义理解、语音合成等技术，快速赋能多形态终端，应用于 “能听会说”、“能理解会思考”的AI交互体验，实现从概念、技术到商业产品、功能应用的跨越，形成一个以语音交互技术为核心的全新应用生态链，促进人工智能产业的迅猛发展。

在5G快速发展的背景下，高带宽和低时延特性促使智能语音交互技术不断攻克新的难题，开启新的篇章。在“理解”层面，重点打造“支持打断和智能纠正”的认知型对话引擎，实现自然交互的本质要求；在“应用”层面，语音交互内容技能生态将渗透各个领域，并进行场景化的封装，真正实现海量服务“开口即得”的交互体验；在“接入”层面，语音助手持续扩大枢纽作用，赋能更多形态终端和交互应用规模起量，实现万物均能说话；在“沉浸式”层面，将融合语音识别、人脸识别、表情分析、唇动状态、眼球跟踪、手势识别、触觉监控等智能人机交互手段，完善“端-端”、“端-云-端”的交互协议，打造沉浸式多模态互动体验。

当人机交互越来越贴近自然表达，中国移动智慧家庭运营中心将持续深化智能语音生态体系建设，引领未来美好生活。
责任编辑:pj