中國語音產(chǎn)業(yè)聯(lián)盟數(shù)據(jù)顯示,2015年全球智能語音產(chǎn)業(yè)規(guī)模達(dá)61.2億美元,同比增長34.2%,預(yù)計到2017年市場總規(guī)模將超過100億美元。其中,2015年中國智能語音市場規(guī)模達(dá)40.3億元,同比增長41%,高于全球同期增速。預(yù)計未來兩年,中國市場將保持60%左右的增速,全球市場份額將進(jìn)一步提升,側(cè)面說明統(tǒng)計機(jī)構(gòu)對國內(nèi)語音市場的認(rèn)可。

　　

　　近二十年，語音識別技術(shù)取得顯著進(jìn)步，但識別的準(zhǔn)確性問題一直阻礙著智能語音的進(jìn)一步發(fā)展。隨著準(zhǔn)確性的提升，語音識別應(yīng)用范圍將不斷拓寬，語音交互也逐漸成為可能。

　　

　　語音識別是一門交叉學(xué)科，也被稱為自動語音識別。其目標(biāo)是將人類的語音中的詞匯內(nèi)容轉(zhuǎn)換為計算機(jī)可讀的輸入，例如按鍵、二進(jìn)制編碼或者字符序列。與說話人識別及說話人確認(rèn)不同，后者嘗試識別或確認(rèn)發(fā)出語音的說話人而非其中所包含的詞匯內(nèi)容。

　　

　　二十世紀(jì)末，語音識別系統(tǒng)已經(jīng)在電腦游戲和玩具，不同樂器的控制，數(shù)據(jù)采集和聽寫等方面發(fā)現(xiàn)了廣泛的應(yīng)用。而在近二十年，由于人工智能和機(jī)器學(xué)習(xí)迅猛發(fā)展，語音識別技術(shù)取得顯著進(jìn)步，語音控制也變得更為實用，開始從實驗室走向市場。

　　

　　《互聯(lián)網(wǎng)趨勢》報告中曾談及語音將是人機(jī)交互的新范式，語音技術(shù)將解放人類雙手和眼睛，用戶以較低的成本實現(xiàn)隨時訪問。人們預(yù)計，未來10年內(nèi)，語音識別技術(shù)將進(jìn)入工業(yè)、家電、通信、汽車電子、醫(yī)療、家庭服務(wù)、消費(fèi)電子產(chǎn)品等各個領(lǐng)域。未來與智能家居 、可穿戴設(shè)備、機(jī)器人等交互模式，語音將是最佳人機(jī)交互模式。

　　

　　據(jù)悉，智能語音技術(shù)涉及多個學(xué)科，具備技術(shù)壁壘較高，研發(fā)周期長，投入大等屬性，只有綜合實力突出的廠商才能脫穎而出，因此造就寡頭壟斷市場格局。自2011年蘋果開發(fā)第一個智能語音助手Siri之后，Google、微軟、亞馬遜、Facebook陸續(xù)加入陣營，這些智能助手各自嫁接在智能移動設(shè)備終端上。

　　

　　但識別的準(zhǔn)確性問題一直阻礙著智能語音的不斷發(fā)展。目前在實際應(yīng)用中，我們看見語音識別多是在智能家居 領(lǐng)域，比如智能家電或智能音箱。此時，我們就需要考慮一個問題了，當(dāng)多個家庭成員同時講話時，智能家電或智能音箱該執(zhí)行誰的命令呢?它們又如何能在眾多聲音中找出自己主人的命令?這些都是當(dāng)前語音識別所需要解決的問題，畢竟我們通常所說的語音識別不僅僅只是單純的對語音內(nèi)容進(jìn)行識別。

　　

　　在這一方面，微軟最近有了新進(jìn)展。微軟語音團(tuán)隊黃學(xué)東介紹，“去年10月，在我們的轉(zhuǎn)錄系統(tǒng)達(dá)到5.9%的錯誤率之后，其他研究人員也進(jìn)行了自己的研究，采用了更多參與的多轉(zhuǎn)錄程序，將錯誤率降低至5.1%。這是一個新的行業(yè)里程碑，大大超過了去年實現(xiàn)的準(zhǔn)確性。”

　　

　　按照黃學(xué)東所說，從研究角度來說，這個意義十分重大，即便是0.1%的差距，無論是運(yùn)算量還是時間，耗費(fèi)都是巨大的：“你知道0.1、0.2、0.3的差距要跑多少時間才會達(dá)到，錯誤率的計算應(yīng)該按照相對錯誤率來看，5.9到5.1相對錯誤率應(yīng)該是13%左右，相對錯誤率超過13%，統(tǒng)計上已經(jīng)有重要意義了。”簡單來說，微軟語音團(tuán)隊是通過改進(jìn)微軟語音識別系統(tǒng)的神經(jīng)網(wǎng)絡(luò)聲學(xué)和語言模型，將錯誤率大大降低。

　　

　　隨著準(zhǔn)確性的提升，語音識別應(yīng)用范圍將不斷拓寬，語音交互也逐漸成為可能。不過在語音識別更新迭代的過程中，新舊共存現(xiàn)象必可避免，在初期混亂的市場藍(lán)海中，只有看清發(fā)展大勢，方能真正抓住機(jī)遇，迎來新發(fā)展。