探析智能语音交互应用和技术

上个月，一年一度的中国声学领域技术交流盛会 “声学楼13周年年会暨中国音响行业白皮书发布会”在深圳市南山区金百合大酒店隆重召开。本次大会以“砥砺奋进，行稳致远”为主题，邀请了中科院声学所、万魔声学、科大讯飞、小米科技、猫王收音机、楼氏电子等院所和企业的60余位行业大咖，与来自全国各地的知名专家学者、行业著名企业家、资深工程技术人员、年轻一线工程师等1500余人分享了31场深度技术垂直的议题报告。

座无虚席的大会现场其中，在10月27日下午的特邀专题报告里，北京声加科技CEO邱锋海受邀以《声加万物、聆听未来：智能语音交互应用和技术》为题，分享了目前正在爆发的智能语音交互市场中的各项明星产品和其技术链条。并在演讲中详细分析了声学前端技术所面临的挑战与机遇：如在百花齐放的新生市场里，智能音箱的“去插电化”、减少MEMS麦克风组成的阵列、更灵活的唤醒词训练及生成和智能耳机的尺寸更小、各类型传感器数据融合以及更低功耗的唤醒等。

声加科技CEO邱锋海主题分享《声加万物、聆听未来：智能语音交互应用和技术》

邱锋海表示，10万年前，语言的出现大大加速了人类社会进化和发展的进程。时至今日，听和说依然是人类最基本、最常用和最灵活的交流方式，同时也是最好的人机交互方式。在经历了计算机命令式交互到图形界面触摸交互，再到信息时代/高级信息时代的自然交互、和情感交互……毫无疑问，语音交互将会成为泛在的人机交互方式。

事实上，语音识别技术的研究可追溯到上世纪50年代，从单一模式匹配到70年代的模式和特征分析，再到90年的统计方法(HMM+GMM)，直到2010年后，深度神经网络(DNN)取得了巨大的成功，基于DNN技术的应用也呈爆炸式增长。同时，语音识别、自然语言理解、语音合成性能等技术大幅提升，互联网、移动互联网的高速发展也为算法引擎提供了大量的数据“粮食”。在海量的数据红利下，云端计算软硬件系统的算力增长使其能够快速处理海量数据，再加上边缘计算的能力增强、功耗降低等因素，语音交互的“基础设施”已逐渐成熟。因此，智能语音交互应用的兴起也就顺理成章。

然而，尽管语音识别在这几年里得到迅速发展，但是目前业界声称的“语音识别准确度达到了90%以上”(Google在2017年6月声称已达到95%的准确率)其实是实验室数据。“非纯净条件下”的现实生活里，这个准确率则降至50-70%，甚至更低。

智能语音产品从人到机器完成一次语音交互，需要经过四个主要的技术环节：语音前端处理、语音识别(ASR)、自然语言理解(NLP)以及语音合成(TTS)，即从声音的拾取到转换成文字，到理解其含义并作出反馈，再到将反馈说出。其中语音前端处理属于客户端，后三者则为云端。经过多年的技术积累，语音识别和语音合成已经获得突破，基本可以满足商用。而语音前端处理和自然语言理解依然是语音交互的核心瓶颈。

语音交互的技术链条

作为人机交互的最底层环节，语音前端处理包括回声消除、声源定向、语音降噪、语音打断、语音唤醒的MEMS麦克风阵列，再通过MEMS麦克风阵列实现复杂噪声环境下的拾音。目前仍然处于商业初级应用阶段，距离比较理想的体验还有相当大的距离。比如以Siri为代表的近场语音识别要求必须是低噪声、无混响、距离声源很近的场景，用户一定要对着智能手机讲话才能获得符合近场语音识别要求的声音信号，环境稍微嘈杂一点语音识别引擎就失灵了; 而以智能音箱为代表的远场语音识别场景下，依然存在误唤醒，方言、童音识别不准以及声源移动中的识别率低下等问题。

邱锋海认为，目前智能音箱、智能耳机等产品的技术攻关主要还是在回声消除、立体回声消除、去混响、自适应波束形成(抗干扰)、前端信号处理+KWS等；而语音前端信号处理的算法同样面临许多挑战，如单通道DNN语音增强、自噪声抑制、多通道DNN语音增强等。同时，他也在演讲最后留下了几个开放性的问题：关于智能音箱的更少的麦克风组成的阵列(2个麦克风仿生人耳)，更低的计算功耗，更长的不插电待机时间，更灵活的唤醒词训练、生成等，蓝牙音箱的智能化(需要本地命令识别)，人机交互是以智能音箱为核心的星型网络结构还是各设备的分布式交互;关于智能耳机的尺寸更小，引入其他传感器后各类型传感器数据融合，更低功耗的唤醒、体验更好的语音交互功能等。

据悉，目前在智能语音交互市场中，国内玩家主要分为传统语音技术厂商、互联网厂商，和新兴的创业公司。其中大部分集中在语音识别(ASR)、自然语言理解(NLP)以及语音合成(TTS)等云端业务，这也是归结于语音前端处理技术的人才稀缺与实战项目较少、缺乏经验累积等。与这些玩家相比，声加科技更多着力于解决全场景下的语音前端处理，其强大的研发实力依托于中科院声学所雄厚的人才和科研资源，研发人员均来自于中科院声学所、清华大学、南京大学和中国科学技术大学等国内一流科研院所，核心团队成员亦大多师出于中科院声学所，平均在业界拥有超过十五年工作经验。团队此前已为国内多个巨头企业的智能音箱、智能耳机等明星产品提供远场麦阵模组设计方案、智能耳机麦阵算法、智能耳机模组等技术支持。

适用于多场景的多元化智能设备

“声学楼”作为国内最为专业和盛大的电声技术研讨会之一，本次大会不仅再一次掀起了中国音频技术交流的高潮，还在开幕当天上午由中国电子音响行业协会秘书长陈立新发布了《2018中国电子音响行业发展情况》(白皮书)，并邀请中科院声学所李晓东教授、魅族声学总监陈爱民、哈曼汽车电子全球研发中心扬声器系统工程总监杨春洪、四川湖山电子高级工程师张康等业内专家分别对智能音箱行业、耳机行业、汽车车载音响行业、专业音响行业的白皮书进行介绍。值得一提的是，参与《中国智能音箱行业发展情况》主笔的李晓东教授不仅是邱锋海和声加科技数位成员在声学所深造的导师，也是鼓励其创业的前辈。

中科院声学所李晓东教授、博导主题介绍《中国智能音箱行业发展情况》(2018版)编写情况