文档介绍:智能语音语义开展趋势
语音识别作为人工智能开展最早、且率先商业化的技术,近几年来随着深度学****技术的突破,识别准确率大幅提升,带动了一波产业热潮。继科大讯飞、捷通华声之后,行业内又涌现出思必驰、云知声、出门问问等后起之秀,在教育、客服、电信等传统行业之外,开辟出了车载、家居、医疗、智能硬件等语音技术应用新天地。
与此同时,自然语言处理〔NLP〕作为人机交互技术的重要一环,也为此提供了助力。Siri的推出翻开了语音交互的先河,不仅催生了一批语音语义创业公司,还激发了百度、搜狗等大型互联网公司在语音语义技术上的投入。
由于NLP和语义理解技术能够让机器理解人的意图和需求,并把相应内容反响给用户,因此在客服行业得到了广泛应用,有效降低了人力本钱,提高了企业运营效率。
技术篇:
语音识别和NLP
技术仍不成熟
智能语音语义
智能语音语义包含语音合成、语音识别和自然语言处理〔NLP〕三项主要技术。
语音合成技术开展最早,应用已较为普遍,除了合成音仍偏机械之外,根本不存在太大技术问题;
语音识别在2021年卷积神经网络〔CNN〕应用之后,准确率大幅提升,已经在C端、B端得到了广泛应用,但效果和体验还不够理想;
NLP技术虽然在搜索引擎中早有应用,但在人机交互领域仍属于浅层处理。
语音识别“鲁棒性〞问题显著
在生物学中,有个术语叫做“鲁棒性〞,是指系统在扰动或不确定的情况下,仍能保持它的特征行为。这一问题在语音识别领域也存在。
语音识别整个过程包含语音信号处理、静音切除、声学特征提取、模式匹配等多个环节。由于语音信号的多样性和复杂性,系统只能在一定限制条件下才能获得满意效果。在真实使用场景中,考虑到远场、方言、噪音、断句等问题,准确率会大打折扣。目前业内普遍宣称的97%识别准确率,更多的是人工测评结果,只在安静室内的进场识别中才能实现。
要解决语音识别鲁棒性问题,需要在技术和产品两方面进展优化。
一方面,在语音增强、麦克风阵列以及说话人别离等多项技术领域持续投入,并结合后端语义,促进对上下文的理解,从而提升识别效果;
另一方面,需要从产品设计上进展优化,比方通过进一步交互,使语音识别变得更为准确。
语义分析仍是浅层处理
NLP技术大致包含三个层面:词法分析、句法分析、语义分析,三者之间既递进又相互包含。
语义分析仍是浅层处理
词义消歧是NLP技术的最大瓶颈。机器在切词、标注词性、并识别完后,需要对各个词语进展理解。由于语言中往往一词多义,人在理解时会基于已有知识储藏和上下文环境,但机器很难做到。虽然系统会对句子做句法分析,可以在一定程度上帮助机器理解词义和语义,但实际情况并不理想。
目前,机器对句子的理解还只能做到语义角色标注层面,即标出句中的句子成分和主被动关系等,它属于比较成熟的浅层语义分析技术。未来要让机器更好地理解人类语言,并实现自然交互,还是需要依赖深度学****技术,通过大规模的数据训练,让机器不断学****当然,在实际应用领域中,也可以通过产品设计来减少较为模糊的问答内容,以提升用户体验。
由于人工智能技术对数据依赖性极高,因此,这一领域的技术进步和产业化推进是一种协同关系——通过工程化的方法提升技术效果和体验,从而促进产业化应用,再根据实际应用中的数据和反响,反过来推动技术实现突破。那么,智能语音语义在产业化方面都有哪些应用领域,又存在哪些问题?
应用篇:
C端提升体验
B端提升效率
以问答和聊天为效劳形式,智能语音语义在多个使用场景和行业领域都有广泛应用,我们可以简单从C端和B端两个方向分别来看。
C端应用方面,主要用于移动设备、汽车、家居三大场景,用来变革原有人机交互方式;B端那么针对垂直行业需求,提升人工效率,比方帮助医生做电子病历录入,或代替局部人力工作,比方答复大局部简单重复的客服问题。由于两大领域解决的问题不同,因此遇到的挑战也各不一样。
C端应用:变革交互方式,需求和体验是关键
智能语音为C端提供了一种全新的交互方式,但应用和普及又跟具体场景和需求挂钩。目前,三大场景中,移动设备中的智能手机,以及车内语音交互应用最为广泛。家居领域中,虽然各种家电企业也在广泛布局,但实际使用情况并不理想。
移动设备
智能语音语义在智能手机和可穿戴设备中的应用不尽一样。可穿戴设备虽然没有屏幕或屏幕较小,更适合语音交互,但大多〔比方智能手表〕都是非生活必需品,本身销量就很有限,再加上一些可穿戴设备并没有太多交互需求,因此实际应用量较少。
智能手机中的各类应用软件大多都配备了语音功能,但相比触摸和文字交互,使用率也不算高。很多人仍然没有经常使用语音的****惯,或者还没有使用语音的意识。究其原因,主要由于语音交互在效果和效率上都不够理想。