想要解決這個問題并不簡單，不過近日，在美國舊金山舉行的第四屆國際多通道語音分離和識別大賽，中國參賽團(tuán)隊通過完成六麥克風(fēng)、雙麥克風(fēng)和單麥克風(fēng)場景下的語音分離和英文識別任務(wù)，最終奪冠。而這個技術(shù)解決的最重要問題，就包括在噪音環(huán)境下的語音識別。此次比賽的獲獎團(tuán)隊來自科大訊飛，目前，他們已經(jīng)把這項技術(shù)應(yīng)用在了名為AIUI的人機(jī)交互解決方案上。

       與機(jī)器人對話

       語音識別技術(shù)，小到手機(jī)指令大到智能家居控制都有所體現(xiàn)，這讓生活變得更加便捷。但這并非語音識別的終極目標(biāo)。如果在噪音環(huán)境下，多個人給同一個智能機(jī)器人下了命令，那么后者應(yīng)該聽誰的，又應(yīng)該如何應(yīng)對呢？國際多通道語音分離和識別大賽比的就是如何解決這一類問題。

       若想弄明白多通道語音，先明白語音識別的概念。首先，語音識別是指從語音到文本的轉(zhuǎn)換，也就是讓機(jī)器能夠聽懂人說的話。這其中包括兩層意思，一層是指把用戶所說的話逐詞逐句轉(zhuǎn)換成文本；二是指正確理解語音中所包含的要求，作出正確的應(yīng)答。這其中語音語言學(xué)、信號處理、模式識別、概率論和信息論、發(fā)聲機(jī)理和聽覺機(jī)理、人工智能的交叉學(xué)科，是中文信息處理領(lǐng)域的一項前沿技術(shù)，解決的主要問題就是如何將文字信息轉(zhuǎn)化為可聽的聲音信息。

       智能機(jī)器人對于人的語音的處理，與人類自身理解完全不同，它們先將連續(xù)的句子分解為詞、音素等單位，在理解語義的規(guī)則基礎(chǔ)上讀取其中的含義。如果說話的主體語音模糊或者口音較重時，智能機(jī)器人若沒有設(shè)置過相關(guān)的規(guī)則，則無法識別。甚至一個人在認(rèn)真說話與隨意說話時的語調(diào)在智能機(jī)器人聽起來都有區(qū)別。再加上采集聲音時周圍環(huán)境的噪聲等，都會對機(jī)器人產(chǎn)生干擾，進(jìn)而導(dǎo)致語音識別的誤差率增加。而多通道語音識別是指，通過多個麥克風(fēng)采集聲源，再用麥克風(fēng)陣列技術(shù)進(jìn)行降噪之后，語音識別將會更加精確。

 

       科大訊飛AIUI研發(fā)總監(jiān)趙艷軍在接受《中國科學(xué)報》記者采訪時介紹說，AIUI同時擁有的回聲消除、置信度判決、連續(xù)語音解密等技術(shù)，人可以在任何時候?qū)C(jī)器進(jìn)行打斷發(fā)出需求，AIUI在遠(yuǎn)場識別方面支持3~5米的識別距離，識別率達(dá)到90%。“AIUI還支持方言識別，全雙工交互，以及自動糾錯的功能。同時，用戶在和機(jī)器交流的時候發(fā)出的非相關(guān)語音，機(jī)器可以有效拒識。”趙艷軍說。

 

       AIUI是目前世界上正在開發(fā)的人機(jī)交互解決方案之一。作為未來智能機(jī)器人的主流配置之一，商業(yè)化的語音交互平臺也是不少IT巨頭的研發(fā)重點。比如微軟的Speech API，是微軟推出的包含語音識別（SR）和語音合成（SS）引擎的應(yīng)用編程接口（API），依托Windows平臺，可以之和朗讀英文、中文、日文等。另外一個巨頭是IBM，它是較早開始語音識別方面的研究的機(jī)構(gòu)之一，在1984年時，IBM發(fā)布的語音識別系統(tǒng)在5000個詞匯量級上達(dá)到了95%的識別率。

 

       自然流暢的交互體驗

 

       在之前公布的一段視頻中，幾個人給一個搭載了AIUI的機(jī)器人半成品下達(dá)不同的命令，先是搜索歌曲，再來問天氣，然后讓訂機(jī)票，之后還有人要求機(jī)器人搜索一首歌手與歌名完全不符的歌曲。雖然只是半成品，但是視頻中的機(jī)器人不緊不慢地“接招”，還“毫不客氣”地指出歌名與歌手信息有誤，并善意地提醒是否要重新搜索。

 

      “準(zhǔn)確的反應(yīng)歸結(jié)于硬件與軟件的不斷更新。”趙艷軍回應(yīng)道。首先要克服的是交互環(huán)境的復(fù)雜性，比如用戶交互時各類的噪聲、多樣的口音、以及其他不可預(yù)知的干擾因素。其次，就是AIUI識別平臺中既長又復(fù)雜的研發(fā)鏈路，從前端的麥克風(fēng)陣列技術(shù)到后端的語音喚醒、語義理解等服務(wù)，需要各組的人員協(xié)調(diào)、配合、溝通、合作，“這對整個項目團(tuán)隊的要求是很高的。”

 

       硬件方面，AIUI 也從之前的4+1麥克風(fēng)陣列到最新的6+0麥克風(fēng)陣列，讓其聲源定位、回聲消除、噪聲抑制等能力不斷增強(qiáng)，可以從容應(yīng)對各種復(fù)雜的環(huán)境。“后續(xù)我們將持續(xù)優(yōu)化和完善AIUI，進(jìn)一步提升效果。如提高遠(yuǎn)場識別的識別率，增加方言識別的自適性，提高語義理解的能力等，使得AIUI的體驗越來越完美。”趙艷軍說。

 

       智能生活更進(jìn)一步

 

      語音交互技術(shù)的進(jìn)步并不是孤立呈現(xiàn)的，它在智能機(jī)器人與人類溝通功能的提升中所做的貢獻(xiàn)功不可沒。這一貢獻(xiàn)體現(xiàn)在智能設(shè)備適用人群范圍擴(kuò)大以及領(lǐng)域拓寬。比如，隨著智能設(shè)備和網(wǎng)絡(luò)的普及，越來越多的老齡人群、低齡人群、身體殘障人群使用智能設(shè)備。對于這些人群，觸控的交互方式并不方便，語音交互則突破了年齡障礙。甚至，有人曾經(jīng)預(yù)測，語音交互可能會成為繼搜索引擎、瀏覽器、智能手機(jī)OS之后，第四代的入口。

 

      同時，依托云技術(shù)以及大數(shù)據(jù)的發(fā)展，智能語音技術(shù)的迭代和優(yōu)化速度也在加快。智能機(jī)器人、智能車載、智能家電等領(lǐng)域的多款產(chǎn)品都可以依托這一技術(shù)。