Siri越來越“大眾”，未來智能語音會有哪些突破？

作者：云昭 2022-07-26 13:18:05

語音交流對于社會生活的重要性不言而喻。

對于人機(jī)交互來說，如何讓機(jī)器具備良好的聽覺，一直是近些年來 AI 領(lǐng)域不懈追求的目標(biāo)。2009 年前后，深度學(xué)習(xí)模型用于開始走出學(xué)術(shù)界，而以語音喚醒、識別、增強(qiáng)和合成為代表的智能語音技術(shù)，也逐漸走向成熟。

一個早期典型的例子是，2011 年 siri 的誕生。智能語音成了人與機(jī)器之間的溝通交互方式的新躍遷。而后經(jīng)過十余年的發(fā)展，"嘿，siri"式的人機(jī)問答已經(jīng)不再局限于移動終端設(shè)備，走進(jìn)千家萬戶，廣泛應(yīng)用于各個場景：家居陪伴智能音箱，方便網(wǎng)購的天貓精靈，會議上的同聲翻譯，出行時的車載語音導(dǎo)航助手等等。

隨著越來越多的互聯(lián)網(wǎng)企業(yè)及上游廠商在智能語音賽道的積極布局，智能語音客服、對話式 AI 應(yīng)用、AI 虛擬助手等產(chǎn)品的取得了進(jìn)一步質(zhì)量提升，響應(yīng)語音更自然，理解問題更準(zhǔn)確，并且有了自己的"小情緒"。

身處數(shù)字化浪潮的時代，萬物互聯(lián)的趨勢不可阻擋。而智能語音作為當(dāng)下人機(jī)交互的關(guān)鍵接口，正處于與實(shí)體經(jīng)濟(jì)深度融合碰撞的時期。隨著應(yīng)用場景的進(jìn)一步下沉和拓展，我們也看到不少挑戰(zhàn)性的問題，比如：如何識別說話人身份、如何識別方言、如何消除歧義等等都是最新的研究熱點(diǎn)。

一項(xiàng)技術(shù)走向成熟的背后，往往蘊(yùn)含著一些潛質(zhì)，這其中包括它在實(shí)際應(yīng)用中的創(chuàng)新能力，以及它更有潛力的演進(jìn)方向。展望下一個階段，智能語音技術(shù)也必會出現(xiàn)新的演進(jìn)趨勢，例如：深度集成的AI語音芯片能否取代云端運(yùn)行模型的模式？多模態(tài)融合、無監(jiān)督學(xué)習(xí)、腦學(xué)科交叉融合的創(chuàng)新研究能否取得突破性成果？我們拭目以待。

那么，智能語音技術(shù)在各大企業(yè)中實(shí)踐探索中都遇到了哪些真實(shí)的生產(chǎn)問題？又是如何解決的？取得了哪些進(jìn)展？行業(yè)出現(xiàn)了哪些新變化？下一步的發(fā)展趨勢又會有哪些？"AISummit全球人工智能技術(shù)大會"智能語音技術(shù)專場帶給你深度思考！

8月7日，51CTO傾力打造的“AISummit全球人工智能技術(shù)大會”智能語音專場重磅來襲！

專場有哪些你感興趣的專題內(nèi)容？

專題一：作業(yè)幫語音技術(shù)實(shí)踐

1.語音識別技術(shù)探索：分享端到端、高效利用數(shù)據(jù)等大規(guī)模實(shí)際應(yīng)用場景下的語音識別技術(shù)，并提出了基于前綴自動機(jī)的熱詞技術(shù)方案。

2.語音評測技術(shù)實(shí)踐：語音發(fā)音糾錯技術(shù)方面結(jié)合作業(yè)幫的高并發(fā)場景，提出了多任務(wù)知識遷移、多模態(tài)特征融融合方案，很大程度上提升提升模型的因素區(qū)分能力和噪聲環(huán)境下的檢錯能力。并針對語音評測落地難的痛點(diǎn)，提出了高性能的云端一體化測評技術(shù)。

3.語音合成技術(shù)框架：分享作業(yè)幫基于現(xiàn)有的小數(shù)據(jù)量語音技術(shù)框架進(jìn)一步改進(jìn)的思考與實(shí)踐。

專題二：字節(jié)語音識別技術(shù)在飛書中的應(yīng)用

1.語音識別技術(shù)在辦公場景中的應(yīng)用進(jìn)程：辦公郵件、即時通訊中的語音輸入辦公語音助手、實(shí)時字幕&會后轉(zhuǎn)寫。

2.解決思考：會議智能化、效率提升。

3.挑戰(zhàn)與機(jī)遇：語音識別任務(wù)的挑戰(zhàn)、下游任務(wù)帶來的挑戰(zhàn)、會議提供額外的信息。

4.重點(diǎn)算法工作介紹（端到端語音識別系統(tǒng)）：Transducer & CIF、動態(tài)+靜態(tài)熱詞、Context-aware。

專題三：構(gòu)建高水平的語音合成系統(tǒng)實(shí)踐

1.高水平語音合成系統(tǒng)背景介紹及問題分析。

2.高水平語音合成系統(tǒng)設(shè)計思考與實(shí)現(xiàn)。

3.實(shí)驗(yàn)評估。

4.未來工作展望。

專題四：SOUL社交場景下的智能語音技術(shù)實(shí)踐之路

1.SOUL社交元宇宙場景下的端到端語音識別

2.多模態(tài)語音合成技術(shù)的構(gòu)建路線

3.在語音安全和語音交互等業(yè)務(wù)場景下的應(yīng)用

專題五：端到端語音識別技術(shù)在58同城的探索實(shí)踐

1.語音識別在58同城的應(yīng)用場景：AI智能語音應(yīng)用、語音識別鏈路介紹、挑戰(zhàn)與技術(shù)路線

2.基于WeNet的模型優(yōu)化工作：半監(jiān)督訓(xùn)練、Efficient Conformer、模型壓縮

3.端到端語音識別的部署方案：自研引擎架構(gòu)、Wenet解碼服務(wù)部署、流式/非流式解碼性能測試

都有哪些重量級嘉賓？

一、宋旸，作業(yè)幫首席算法專家、智能中臺負(fù)責(zé)人、專場出品人

宋旸在百度工作7年，從事算法研發(fā)工作。2015年加入作業(yè)幫，為智能中臺部負(fù)責(zé)人，為公司各業(yè)務(wù)輸出包括數(shù)據(jù)挖掘、NLP、語音在內(nèi)的中臺技術(shù)能力，先后負(fù)責(zé)搜索答疑、個性化推薦、智能質(zhì)檢、語音評測、服務(wù)智能化調(diào)度等方向。

二、王強(qiáng)強(qiáng)，作業(yè)幫語音技術(shù)團(tuán)隊負(fù)責(zé)人

在加入作業(yè)幫之前，王強(qiáng)強(qiáng)曾任職于清華大學(xué)電子工程系語音處理與機(jī)器智能實(shí)驗(yàn)室，負(fù)責(zé)語音識別算法落地，搭建工業(yè)級解決方案。2018 年加入作業(yè)幫，負(fù)責(zé)語音相關(guān)算法研究和落地，主導(dǎo)了語音識別、評測、合成等算法在作業(yè)幫的落地實(shí)踐，為公司提供整套語音技術(shù)解決方案。

三、張駿，字節(jié)跳動AI Lab語音識別算法研究員

張駿長期從事語音識別、語音喚醒等語音算法研究與應(yīng)用，經(jīng)驗(yàn)豐富。2018 年加入字節(jié)跳動AI Lab智能語音團(tuán)隊，目前主要負(fù)責(zé)智能辦公、智能硬件、智能客服等方向的語音技術(shù)方案建設(shè)。

四、譚旭，微軟亞洲研究院主管研究員

譚旭，研究領(lǐng)域包括深度學(xué)習(xí)、自然語言/語音/音樂、AI內(nèi)容生成等。研發(fā)的機(jī)器翻譯和語音合成系統(tǒng)獲得多項(xiàng)比賽冠軍并在學(xué)術(shù)評測集上達(dá)到人類水平，研究工作如預(yù)訓(xùn)練語言模型MASS、語音合成模型FastSpeech/NaturalSpeech、AI音樂項(xiàng)目Muzic受到業(yè)界廣泛關(guān)注。

五、劉忠亮，SOUL語音算法負(fù)責(zé)人

劉忠亮碩士畢業(yè)于中科院研究生院，目前在SOUL擔(dān)任語音算法負(fù)責(zé)人，曾任職于搜狗AI交互部和陌陌大數(shù)據(jù)部。近10年主要從事語音喚醒、語音識別、語音合成、音頻音樂理解等語音技術(shù)體系的研發(fā)工作，主要應(yīng)用于輸入法、手機(jī)助手、智能硬件、語音安全等語音交互和語音理解業(yè)務(wù)場景，致力于打造最好的可落地的語音技術(shù)。

六、周維，58同城 AI Lab語音算法部負(fù)責(zé)人、算法架構(gòu)師

周維，58同城AI Lab語音算法部負(fù)責(zé)人、算法架構(gòu)師，負(fù)責(zé)語音識別、語音合成算法研發(fā)。2016年碩士畢業(yè)于中國科學(xué)院大學(xué)，畢業(yè)后參與對話式AI產(chǎn)品方向創(chuàng)業(yè)，2018年5月加入58同城，曾先后參與智能客服、智能外呼、智能寫稿等AI項(xiàng)目的NLP算法研發(fā)，2019年開始主攻語音算法方向，帶領(lǐng)團(tuán)隊從0到1自主研發(fā)58同城語音處理引擎中的語音算法。