智能语音的应用发展趋势

智能语音，主要是人和机器通过语音作为媒介进行自然交互的形式，涉及到的核心技术主要包括四个方面，首先通过语音识别（ASR）转成文字，如果语音信号质量不好的话，前端会有一个语音增强模块；然后是口语语言理解，接下来是对话管理和口语语言生成，而最终通过文语转换（TTS）生成语音回馈给用户。

回顾语音识别的发展，在2000年之前，语音识别的错误率有明显的改善，而在2000年到2010年期间，我们做的很多努力很难再去进一步降低识别的错误率。在大概2010年后，在深度学习的推动下，利用大数据、机器学习和大算力这“三驾马车”，语音识别的识别准确度再一次明显提升，错误率再一次下降，并且在一部分数据集上实现了媲美人类语音识别的精度。

语音识别是智能语音范畴内的一个典型任务，除此之外，智能语音的任务还包括语音编码、语音增强、关键词检出、声纹识别等一系列任务，而智能语音技术能够服务的方向主要包括三方面，一是自然人机交互，二是自然人人交互，还有就是内容分析与挖掘，垂直落地的应用非常多，场景广泛，价值巨大。

在技术侧，智能语音行业发展仍然面临着声纹识别的不稳定性、语音识别的鲁棒性以及训练场景的长尾性的落地挑战；

而在应用侧，智能语音技术已逐步从纯技术形式应用，转向“语音+AI技术+行业“的创新式发展。

受供给侧的业务增长突破和需求侧的客户诉求推动，智能语音技术调用不仅是单纯为转写“人说了什么”或者输出“机器要说什么”，而是正逐步与语义理解、知识图谱等AI技术融合，让使用智能语音技术的机器本体更加具备认知性和行业关联性，结合行业 Know-how和甲方需求输出整体性、结果导向性的实用解决方案。

智能语音的技术挑战

1 声纹识别的不稳定性：人的声音在不同时间、 状态会呈现不同的特征，因此技术层面如何准确识别变化明显的声纹特征仍然面临挑战。

2 语音识别的鲁棒性：说话目标由远到近的移动、场景变化、背景噪音、混响嘈杂、干扰声源等真实场景，会给语音识别准确率带来较大 折扣。

3 训练场景的长尾性：面对低资源小语种和语言训练场景，如何通过较少资源获得规模有效的训练成果，是智能语音持续面临的技术挑战。