【峰會演講】科大訊飛：無語音不智能

　　——科大訊飛云平臺事業(yè)部產(chǎn)品總監(jiān)王磊第十五屆中國國際建筑智能化峰會上海站演講

　　2014年11月20日，由千家品牌傳媒策劃舉辦的2014年“第15屆中國國際建筑智能化峰會”于神旺大酒店隆重舉行。本屆上海站峰會的主題是“智能建筑創(chuàng)新技術(shù)與應(yīng)用趨勢論壇”，現(xiàn)場著名專家、知名品牌廠商分別圍繞現(xiàn)今的智能建筑創(chuàng)新技術(shù)與應(yīng)用作精彩演講，同時，一起展望智能建筑新趨勢與發(fā)展前景。科大訊飛云平臺事業(yè)部產(chǎn)品總監(jiān)王磊本次峰會演講主題是：無語音不智能。

　　科大訊飛云平臺事業(yè)部產(chǎn)品總監(jiān)王磊

　　以下是科大訊飛云平臺事業(yè)部產(chǎn)品總監(jiān)王帶來的主題為《無語音不智能》演講實錄：

　　王磊：今天非常榮幸有這個跟大家分享的機會，今天的我演講主題是語音云助力語音開發(fā)的騰飛，這個開發(fā)者不僅僅是指語音開發(fā)者還有合作伙伴和集成運營商。

　　首先，我們跟大家介紹歷史上的交互一些演變過程，上世紀60、70年代的鍵盤加鼠標，然后蘋果發(fā)布的觸摸技術(shù)的普及，以及語音的爆發(fā)和視覺的交互。這張圖里面說明的就是語音云從2010年到現(xiàn)在2014年整個發(fā)展的趨勢，大家可以看到，整個語音云的服務(wù)是服務(wù)于互聯(lián)網(wǎng)化爆發(fā)式的增長的，這個增長的速度是非常快的。這是建立在我們語音云上的合作伙伴，我們現(xiàn)在的合作伙伴已經(jīng)達到了5萬個，每日活躍數(shù)達到了3000，市面上主流的應(yīng)用或是廠商都是應(yīng)用了我們的語音技術(shù)。包括QQ、小米、滴滴打車等都用到我們的語音服務(wù)。這也是科大訊飛的一個愿景，希望所有的設(shè)備都能夠具備能聽、會說能理解這樣的能力。

　　我們平常所說的智能語音交互技術(shù)包含了三個方面，第一個語音合成。什么是語音合成呢?語音合成就是將任意文字轉(zhuǎn)換成語音相當于給機器一個嘴巴。還有就是說我們的語音識別，就是將你說的話或是文字裝了人工的耳朵。還有進一步理解，就是把你的語音和文字進行深層次的理解。

　　這個人大家認識嗎?這個人就是舌尖上的中國配音人，通過對他的語調(diào)進行了收集合成了他的語音音庫。下面有一段合成聲音給大家聽一下。接下來，我為大家演示科大訊飛的語音合成的能力。今年年初的時候，如果你們裝了高德地圖，就會聽到一個女神的聲音，這就是我們跟高德的合作，去了臺灣從林志玲那邊錄了她的聲音合成的聲音。

　　這就是科大訊飛語音識別技術(shù)的發(fā)展態(tài)勢。科大訊飛的語音云是從2010年10月28日發(fā)布的，那時候的準確率只有60.2%，而我們現(xiàn)在達到了95%。我們也相信，科大訊飛可以把準確率達到99%的第一家公司。這是我們最新推出一個多方言識別的技術(shù)，因為我們跟很多廠商聊的時候，他們的產(chǎn)品是全國發(fā)布的，他們需要語音的時候會遇到地方有方言問題，這時候語音的識別準確率會受影響。

　　這就是我們的語音理解技術(shù)，為什么要語音理解技術(shù)呢?如果你把他的一句話或是一段文字來進行理解，比如大家攜程訂票的時候比較麻煩，我們跟他們合作，里面有一個語音的按紐，你跟他說幫我定一張從北京到上海的飛機票，那邊檢索就會出來。我們可以看到，從最早的20領(lǐng)域的85.21%到現(xiàn)在的30多個領(lǐng)域的94.43%，語音云的用戶積累達到了這樣效果。

　　這是科大訊飛整個OVS的一個使用場景，這個OVS什么意思呢?剛才說的這種是攜程里面需要這種語音的服務(wù)，但是它有一些沒有的，比如攜程沒有天氣的一些后續(xù)的服務(wù)，如今天上海幾度，是不是多云，穿衣指數(shù)是多少。這些信息我們在后臺把它也開放出來了，供我們廣大的用戶使用。大家可以看到，從我們的語音合成、語音的識別，到語音理解，這是一整套的服務(wù)，這服務(wù)在我們很多的產(chǎn)品里面也得到體現(xiàn)。

　　今天我也帶來我們最新的一個產(chǎn)品。這就是我們的智能音響，這里有一個語音按紐，你們聽歌的時候并不是需要通過手機端控制它，而只要按這個按紐給它說話。比如我可以說我想聽劉德華的命運之類的，它就可以把劉德華的歌放出來給你聽，十分方便。這是我們第一代產(chǎn)品。在下一代的產(chǎn)品里面我們不僅有這些東西，還有更智能的技術(shù)。這是語音喚醒，什么意思呢?比如說這樣的音響有語音的按紐，你可以給它起名字，比如給它的名字叫小志，然后你只要叫小志它就會給你交互。

　　我們現(xiàn)在整個喚醒技術(shù)所占的資源比較小，這都是我們的一些參數(shù)。我們在小米上用了我們的喚醒服務(wù)，每小時是40MIPS，97%是我們的成功喚醒率，我們RAM和ROM都是比較小的，都是6K和40K非常輕的級別。如果我沒有叫小志但是你啟動了這是6小時一次。還有喚醒加識別技術(shù)，我可以智能交互。比如這樣的音響，我說小志給我放劉德華的歌它就放出來了。這種喚醒服務(wù)在一款最新的產(chǎn)品上大家可以看到，這款產(chǎn)品就是我們之前和北京的公司做的一款智能機器人。他們就是用了科大訊飛的技術(shù)加喚醒加識別和云服務(wù)。大家昨天看到魅族最新的發(fā)布會的話就會注意到，它就用了這樣的喚醒技術(shù)，軟件方面的服務(wù)就是我們科大訊飛提供的。

　　還有就是聲紋識別，它分兩個方面，一個是聲紋確認，一個是聲紋鑒別。比如你到你家門口了，你說我回來了，這個識別就可以識別出你，什么叫聲紋鑒別呢，比如林志玲到你家門口了，說一句話說我要進來，從我們后臺，因為我們收到這樣的信息，通知到手機這邊說林志玲到你家門口了，你是不是讓她進來。這個圖是我們識別的準確率達到了95%。

　　這是科大訊飛一整套自然語言的交互方案，從最左邊的身份確認，喚醒，聲紋，做確認和交互的形態(tài)，一整套的解決方案形成一個閉環(huán)，包括里面的人臉識別和手勢也是我們研發(fā)的。而且準確率達到了99.3%以上，已經(jīng)超越了正常人對這件事的識別。但是我們會遇到一些其他的問題，比如你網(wǎng)絡(luò)未覆蓋。舉個例子，比如在銀行或是一些私人的別墅，往往不希望自己的網(wǎng)絡(luò)進入到管網(wǎng)里面來，這時候的語音服務(wù)也可以做到。

　　大家知道4G出來了，4G的口號是移動改變生活。它比較消費流量，我們也推出了我們最新的解決方案。我們離線合成、離線聽寫都可以為你服務(wù)，這樣的離線的合成跟離線聽寫技術(shù)，這種合成的自然度遠遠超過了我們?nèi)祟惖淖匀欢龋覀儸F(xiàn)在說是4.2，準確率達到95%以上。舉個例子來說，你在公園里面跑步的時候有一款這樣的手表，或是家里的時候床頭有這樣的一個交互的家電，你需要用語音技術(shù)跟它進行交互。這也是我們所認為的極致的交互，是融合云和端的解決方案，給你最好的服務(wù)。我們希望給你們更多的一些選擇，讓你們能夠從中獲得更多的我們語音的能力。這是我們另外的一些語音識別準確率的介紹，大家可以看到，我們語音識別準確率在WIFI上相應(yīng)速度已經(jīng)達到了140毫秒左右。2014年科大訊飛把它整個語音識別相應(yīng)速度提高，這是我們一個關(guān)鍵的要素。然后大家都知道，現(xiàn)在除了科大訊飛以外還有一些小的廠商也做這方面的服務(wù)。

　　所以在這里給大家介紹科大訊飛的優(yōu)勢在什么地方?首先是，我們擁有大量用戶的數(shù)據(jù)，從2010年發(fā)布語音云以來，現(xiàn)在每天我們的數(shù)據(jù)幾個T的在增長，這可以讓我們語音合成、識別的自然度和準確度方面有一個自然的提升。第二個我們是個性化的團隊。為什么這很重要呢?我們每天交互次數(shù)是達到了億級別，但是我們現(xiàn)在需要的服務(wù)器的級別是非常低的，因為我們現(xiàn)在有一個非常出色的工程優(yōu)化團隊，我們通過這個資源可以做各種各樣的有意的事情。比如聽寫模型，可能就是某一個方面垂直領(lǐng)域的一個應(yīng)用或是一個服務(wù)。我不需要你下面的一些其他的服務(wù)，你就可以用我們這個專業(yè)的模型了。第三個就是提供完整的解決方案。現(xiàn)在訊飛提供的不僅僅是在線的方案，還有芯片級的方案，通過整套的解決方案給你們提供更多的選擇。第四個就是說我們是最有力的資源整合。現(xiàn)在科大訊飛不僅僅是跟國內(nèi)的清華大學(xué)建立聯(lián)合工作室，還跟國外的大學(xué)成立了識別方面的實驗室。通過這樣的優(yōu)質(zhì)資源整合，給我們帶來更多的研究力量，幫助我們更快的前進。

　　最后告訴大家，你并不是一個人在戰(zhàn)斗，大家都在做智能家居和智能樓宇的話，都會下載一個APP。你如果想做一款很精致的產(chǎn)品是很難的，我們建立了一個伙伴團隊，基本上每天晚上10點都有在線支持你們做一些事情。最后告訴大家一下，我們整個平臺聯(lián)系的方式，科大訊飛也希望通過這樣更加友好的在線交互方式跟我們的廠商、合作伙伴建立更加好的合作伙伴關(guān)系，將智能樓宇或是智能產(chǎn)業(yè)更往前走一步們，謝謝大家。