隨著亞馬遜、京東、阿里先后發(fā)布智能音箱，10月份蘋果收購VocalIQ和谷歌戰(zhàn)略入股出門問問，盤點一下今年的語音交互市場，真是異常的熱鬧。那么，語音交互技術真的就像市場上熱捧的那樣走入了智能時代嗎?
實際上我想這個問題大家都心知肚明，資本市場的熱鬧也不過是各個巨頭的布局，甚至是其他用意而已。不管是微軟的小冰、百度的小度，還是科大訊飛的語音識別、出門問問的語音助手，僅僅還都是停留在對簡單問題的理解和回答，而即便這些也是依靠大量數(shù)據訓練而成的，這種訓練有時候甚至是開了玩笑，比如我們真的需要大量的“調戲”語言訓練出來的結果嗎?深度神經網絡曾經極大促進了語音識別的發(fā)展，但是目前來看，要想解決復雜問題和邏輯推理還是存在極大的難度。
另外還有重要的一點，語音交互方面的用戶黏性還是非常差的，比如我們一天會用幾次Siri(蘋果手機語音控制軟件)或者出門問問呢?而提高用戶黏性的最大挑戰(zhàn)就是要找到一種既能滿足用戶需求又能保證技術實現(xiàn)的產品形態(tài)。用戶需求自然是很明顯的，我們希望的是讓我們能夠自然聊天的產品，但是現(xiàn)在技術上實現(xiàn)真是太難了，不僅是語音識別和情感合成的本身難度，而且還包括了噪聲干擾、方言混合以及遠程拾音等等問題。
上面這些挑戰(zhàn)，嚴重制約了語音交互在通用市場領域的應用，而我們傳統(tǒng)思維上卻總想用戶都像技術人員那樣能夠理解這些技術并恰當應用，這反而才是制約技術發(fā)展最大的障礙。但是隨著巨頭的進入和語音交互市場的繁榮，國內的科大訊飛、百度、盛大、出門問問正在轉變思路，他們逐漸摒棄了盲目擴張和宣傳，從通用市場領域逐步擴展到垂直市場領域，扎扎實實根據用戶需求做好垂直細分的市場領域。科大訊飛重點打造教育和車載市場，出門問問重點在可穿戴市場，而客服市場現(xiàn)在也是各個巨頭極為看重的潛在市場。一想到語音交互機器人可能取代大量客服妹妹，這可能讓很多人覺得商機無限，其實完全取代人工現(xiàn)在看來還為時過早，但是篩選前端無效咨詢幫助減輕客服工作量，這才是目前語音交互最為重要的應用領域。當然，除了教育、導航、客服市場，還有金融、醫(yī)療等垂直市場具有較好的應用前景。
談了這么多挑戰(zhàn)，也展望了未來市場應用，我們還是再看看技術發(fā)展。語音交互技術包括了語音識別、語音合成以及情感識別與合成等技術。從50年代美國貝爾實驗室和國內的中科院聲學所開始研究語音技術，到70年代小詞匯量的語音識別取得較大進展，80年代非特定人連續(xù)語音識別技術快速發(fā)展，90年代大量聲學識別模型的出現(xiàn)，直到21世紀語音識別才走進我們的生活世界。其間語音交互的前端處理技術、聲學特征提取、聲學模型重構等都取得了重大進展，特別是機器深度學習技術的引入，極大提高了利用傳統(tǒng)聲學建模進行語音識別的準確率，微軟曾經宣稱利用DNN(深度神經網絡)算法可以降低語音識別錯誤率30%。但是這還是不夠的，若能引入更多計算機技術，例如有限狀態(tài)機等，將語音模型、聲學特征、語料音庫和情感預測等統(tǒng)一為整體的識別網絡，相信我們距離電影《鋼鐵俠》中的自然語音交互應用不是太過遙遠。
