不論是Siri、Cortana等語音助手的同臺競技，還是亞馬遜Echo掀起的智能音箱市場的激烈角逐，在來勢洶洶的AI浪潮裡，各大巨頭不約而同地把技術落地的目光，投到了智能語音上。
4月26日，GMIC洞見·人工智能公開課上，搜狗語音交互技術中心語音首席科學家，語音技術負責人陳偉，與全球頂尖數據科學家、人工智能工程師一起，從搜狗智能語音的進擊之路聊起，分享了他對於智能語音的深度思考。
語音聽寫、語音翻譯、語音交互，都有哪些落地場景？
陳偉介紹說，他們的團隊主要在做的有三塊內容，一是語音聽寫，二是語音翻譯，三是語音交互。其中，語音聽寫技術已逐步走向實用，“搜狗從2012年就開始做語音識別，並希望把這項技術落地到更多場景中去，讓用戶輸入更有效率。”陳偉舉例到，比如演講聽寫、視頻字幕直播、法院庭審、記者採訪、小說寫作、醫療病例記錄等眾多場景，應用語音識別進行輔助輸入，能極大地提升我們的工作效率——在我們說話同時，機器就能直接將其轉化為文字，而無需我們費力打字或書寫。
如果將語音識別與機器翻譯結合，就誕生了語音翻譯技術。“這項技術可以更好地服務跨語言交流，比如在出國旅行、國際交流、演講同傳、視頻字幕等等。”陳偉舉了一個更為具體的例子，“目前，在會議場景中，讓機器做同傳已經比較成熟。當一位演講者在臺上使用中文演講時，我們的搜狗機器同傳可以在屏幕上實時顯示中文內容，並同步翻譯為英文。”
據瞭解，搜狗機器同傳在2016年第三屆世界互聯網大會（WIC）上首發，並在2017年第四屆WIC上，升級為2.0版本，加入了語音合成的能力。而就在此次GMIC大會的主會場，我們也能看到搜狗機器同傳的身影，在每位中外嘉賓演講的同時，都兢兢業業地為聽眾呈現相應的中英實時字幕。
“在語音交互方面，我們會更加關注具體場景，希望做任務導向的語音助理。”陳偉進一步說明，“比如在可穿戴移動設備、車載、移動家居等具體場景中，做語音助手，針對剛需場景提供更自然的交互體驗。當語音交互收斂到具體場景中，用戶體驗也會極大優化。”
大量的落地場景背後，隱藏技術又有哪些？
“2010年後快速興起的深度學習，變革了整個行業。”陳偉現場聊起深度學習帶來的變化，“隨著深度學習技術發展，以及大數據驅動，數據和算法相得益彰，把實驗室中的技術，從不可用變成可用或者好用狀態。”
這三點至關重要：超大規模的語音數據、複雜的深度學習算法、超強的運算平臺。數據量確保了語音識別的準確率，陳偉說，“在2012年搜狗語音識別技術剛上線時，搜狗的語音識別數據在500小時左右，而在2016年這個數據規模就達到了幾萬小時。而現在我們的語音識別準確率已經達到97%。”在算法上，搜狗已經能做到50多層CN的網絡。
而在有了複雜的算法和超大數據以後，如何在可控的時間內得到想要的模型？怎麼樣快速對數據進行準確的學習？這就依賴於一個強大的運算平臺。“搜狗語音深度學習平臺EVA，與ARM的ACL相比，平均性能加速比達1.62；在搜狗自有任務下，如識別、翻譯等，加速比更是達到了3.97。”
技術“炫酷”，但智能語音存在的問題都解決了嗎？
答案是：沒有。真正想把好的技術應用到使用場景上還是有很多坑要踩，有很多問題要去解決。陳偉現場分享了針對語音交互、個性化語音合成、離線翻譯中碰到的困難，搜狗是如何做的。
以語言交互為例，“今天我們說語音識別準確率達到97%，是在沒有強噪音、口音的情況下。一旦我們與麥克風距離稍遠，或者處在車上等嘈雜環境中，就會干擾機器的識別能力。”針對這一點，搜狗去做回聲消除、解混響、聲源定位，做麥克風硬件技術。陳偉說，“我們希望把真正可用的技術做起來，而它一定是軟硬件結合的。”
演講最後，陳偉拋出了一個問題，“如何判斷當期的AI產品是否足夠好？”他現場給出了三個指標，一是產品命中用戶剛需；二是簡潔有趣且方便；三是穩定。陳偉強調說，“當我有好的AI技術能力，想要落地的時候，我一定要讓它儘可能地滿足用戶的預期，這樣用戶體驗才會好，也才能被稱為是一個好的產品。”
閱讀更多 犀觀察 的文章
