在很多國外科幻大片所描述的未來生活中，使用語音方式來操控家電的炫酷場(chǎng)景無處不在。比如在《美國隊(duì)長 2》中，神盾局的頭子用語音操控虛擬桌面、窗簾和電視;在《鋼鐵俠》系列電影中，男主角回到家以后，說聲想喝咖啡，咖啡機(jī)便開始沖咖啡;在《碟中諜 4》中，阿湯哥通過用語音來開燈和開電視。

　　科幻片中這樣的未來并非憑空想象，國內(nèi)外的IT 巨頭已先后以智能家庭產(chǎn)品與語音相結(jié)合的方式進(jìn)入智能家庭領(lǐng)域：谷歌收購 NEST 布局智能家庭，不斷強(qiáng)化 Google Now的語音入口;蘋果 HomeKit 智能家居平臺(tái)與 Siri也不斷加強(qiáng)融合;微軟近期也發(fā)布語音助手 Cortana，為它在智能家庭領(lǐng)域擴(kuò)展交互入口;國內(nèi)的科大訊飛亦攜手京東宣告雙方將在智能家居和語音技術(shù)領(lǐng)域展開全面合作。從這些國內(nèi)外科技大佬們對(duì)語音產(chǎn)業(yè)的重視和投入，可以看出智能語音與智能家庭的融合是大勢(shì)所趨，業(yè)內(nèi)普遍認(rèn)為語音作為人類信息最自然、最便捷的交互方式，必將成為未來智能家居設(shè)備中的重要組成部分。

　　隨著國內(nèi)外巨頭們對(duì)語音交互領(lǐng)域投入的增加，語音核心技術(shù)正逐步成熟，曾經(jīng)的技術(shù)瓶頸亦在慢慢被突破。這其中語音識(shí)別技術(shù)是語音交互的基礎(chǔ)與核心，「語音識(shí)別」技術(shù)相當(dāng)于給計(jì)算機(jī)系統(tǒng)安裝上「耳朵」，使其具備「能聽」的功能。該技術(shù)經(jīng)過語音信號(hào)處理、語音特征處理、模型訓(xùn)練及解碼引擎等復(fù)雜步驟，使機(jī)器最終能夠?qū)⒄Z音中的內(nèi)容、說話人、語種等信息識(shí)別出來。

主流的語音識(shí)別系統(tǒng)框架圖

　　了解了語音識(shí)別的基礎(chǔ)內(nèi)容和系統(tǒng)框架之后我們來看看，語音識(shí)別技術(shù)要在智能家居生活中真正實(shí)用，必須要過哪 5 關(guān)?

　　一、距離：遠(yuǎn)場(chǎng)識(shí)別技術(shù)打破距離瓶頸

　　近場(chǎng)識(shí)別技術(shù)目前已經(jīng)比較成熟，現(xiàn)在手機(jī)上使用的語音輸入功能就屬于近場(chǎng)識(shí)別技術(shù)，用戶必須在離手機(jī)比較近的距離內(nèi)說話，但在智能家居環(huán)境中，用戶和智能終端之間的距離被大大增加了，用戶能隨意用語音控制智能家居的一個(gè)必要條件就是在無論你在客廳哪個(gè)角落發(fā)出指令，設(shè)備都能準(zhǔn)確的識(shí)別，語音識(shí)別技術(shù)必須突破距離的障礙。

　　目前室內(nèi)的語音交互受到背景噪音、其他人聲干擾、回聲、混響等多重復(fù)雜因素影響，導(dǎo)致識(shí)別率低甚至無法使用，只能在相對(duì)安靜、近距離的環(huán)境下使用。而遠(yuǎn)場(chǎng)識(shí)別技術(shù)將能夠很好的解決這些問題。

　　目前的遠(yuǎn)場(chǎng)識(shí)別技術(shù)已經(jīng)能夠支持超過 5 米的語音識(shí)別，突破了語音交互距離瓶頸，大幅度改進(jìn)了語音交互的自由度。該技術(shù)利用麥克風(fēng)陣列的空域?yàn)V波特性——在目標(biāo)說話人方向形成拾音波束(BeamForming)，抑制波束之外的噪聲，結(jié)合獨(dú)特的去混響算法，最大程度的吸收反射聲，從而達(dá)到去除混響的目的，用戶在客廳的任意角落通過語音操控智能家電已成為現(xiàn)實(shí)。

　　二、效率：又快又準(zhǔn)

　　近年來，隨著深度學(xué)習(xí)理論的爆發(fā)式發(fā)展及其在語音識(shí)別領(lǐng)域獲得的顯著效果，同時(shí) Kaldi等開源語音識(shí)別工具也在工業(yè)界和學(xué)術(shù)界逐漸普及，語音識(shí)別的門檻持續(xù)降低，許多公司都具備了語音識(shí)別的能力及相關(guān)產(chǎn)品，但其實(shí)很多使用過 Siri的國內(nèi)用戶都會(huì)有這樣的感覺: Siri的反應(yīng)太慢，說出一句話往往要等待很久才能顯示結(jié)果，另外，準(zhǔn)確率也不高，離好用還有很遠(yuǎn)的距離。

　　要持續(xù)優(yōu)化準(zhǔn)確率和響應(yīng)速度的問題，必須要在核心技術(shù)和產(chǎn)品特性上做出創(chuàng)新，目前國內(nèi)領(lǐng)先的解決方案是在把深度神經(jīng)網(wǎng)絡(luò)技術(shù)引入語音識(shí)別的基礎(chǔ)上，基于深度神經(jīng)網(wǎng)絡(luò)的語音增強(qiáng)算法對(duì)輸入語音進(jìn)行「識(shí)別關(guān)鍵信息無損」的降噪，通過海量訓(xùn)練語料基礎(chǔ)上的高精度聲學(xué)模型和語言模型訓(xùn)練，并結(jié)合極致的解碼引擎工程技術(shù)，實(shí)現(xiàn)了在很小延遲的情況下，做到將去除原始語音的噪聲干擾和識(shí)別幾乎同時(shí)，大大提高了語音輸入的響應(yīng)速度和用戶體驗(yàn)，最終實(shí)現(xiàn)在大詞匯連續(xù)語音識(shí)別率上可以達(dá)到 95%以上，命令詞識(shí)別率達(dá)到 99%以上，解碼引擎可以在用戶說完話 40 毫秒之內(nèi)給出結(jié)果，真正實(shí)現(xiàn)「秒懂」。

　　三、個(gè)性化：越來越懂你

　　每個(gè)人在說話時(shí)，口音、語速、口頭禪都不一樣，那么家里的智能設(shè)備只會(huì)識(shí)別一些基本詞句顯然是遠(yuǎn)遠(yuǎn)不夠的，它們必須要更懂你。比如，懂你的口音、方言、口頭禪以及時(shí)不時(shí)蹦出的專業(yè)詞匯等。

語言個(gè)性化方案

　　讓智能設(shè)備適應(yīng)每個(gè)人的使用習(xí)慣可能嗎?答案是肯定的。這里要用的到就是語音識(shí)別的另外一項(xiàng)關(guān)鍵技術(shù)——個(gè)性化識(shí)別技術(shù)。個(gè)性化識(shí)別指的是語音識(shí)別系統(tǒng)具備自動(dòng)學(xué)習(xí)并適應(yīng)用戶使用習(xí)慣的能力，你用的越多，它越懂你。一般來說，個(gè)性化識(shí)別包括發(fā)音和語言兩方面。其中發(fā)音個(gè)性化主要是指系統(tǒng)對(duì)用戶語速、口音等發(fā)音習(xí)慣的學(xué)習(xí)，而語言個(gè)性化主要是指系統(tǒng)可以對(duì)用戶的特定詞匯(例如人名、地名、口頭禪、專業(yè)詞匯等)具備更好的辨識(shí)性。

　　目前業(yè)內(nèi)成熟的個(gè)性化識(shí)別技術(shù)已能針對(duì)每個(gè)人的興趣點(diǎn)、知識(shí)背景等來進(jìn)行個(gè)性化語言模型建模，從而準(zhǔn)確識(shí)別出個(gè)性化的詞匯內(nèi)容。以后你用的越多，語音識(shí)別系統(tǒng)就會(huì)越懂你。

　　四、方言：普通話標(biāo)不標(biāo) zun 也照樣能用

　　眾所周知，中國的語音及語言博大精深，雖然國家在推廣標(biāo)準(zhǔn)普通話方面不遺余力，但是中國真正掌握標(biāo)準(zhǔn)普通話的人群比例還是比較低的，而中國的口音現(xiàn)象則是紛繁復(fù)雜，甚至?xí)霈F(xiàn)同城市中都有不同口音的情況。因此，當(dāng)這些帶有或輕或重口音的人群在使用語音輸入時(shí)，如果按通常的方法使用標(biāo)準(zhǔn)普通話數(shù)據(jù)進(jìn)行模型的訓(xùn)練，就會(huì)產(chǎn)生很嚴(yán)重的適配問題，從而影響語音輸入時(shí)的識(shí)別效果。

　　「方言」現(xiàn)在也不再是語音識(shí)別的障礙，得益于各類方言豐富的音頻數(shù)據(jù)、特殊詞匯、發(fā)音現(xiàn)象等專業(yè)資源以及充分利用深度神經(jīng)網(wǎng)絡(luò)的自學(xué)習(xí)特色，目前，訊飛輸入法已經(jīng)陸續(xù)支持四川話、河南話、東北話、天津話等 15 種方言識(shí)別，這些方言識(shí)別能力同樣適用于智能家居環(huán)境中。以后，無論你使用普通話還是方言，無論你說話語速快還是慢，普通話標(biāo)不標(biāo) zun，在家里都能自由地使用語音控制智能設(shè)備。

　　五、語音喚醒：真正解放雙手

　　由于功耗等方面的限制，智能設(shè)備很難 24 小時(shí)都保持在激活狀態(tài)。因此，要想在家里自由地控制智能家居設(shè)備，我們還需要能即時(shí)「喚醒」功能，也就是給智能設(shè)備加入「語音喚醒」技術(shù)。

　　語音喚醒，是指通過含有特定喚醒詞的語音輸入來「觸發(fā)」語音識(shí)別系統(tǒng)以實(shí)現(xiàn)后續(xù)的語音交互。通過該技術(shù)，任何人在任何環(huán)境、任何時(shí)間，無論是近場(chǎng)(0.5 米以內(nèi))還是遠(yuǎn)場(chǎng)(2~5 米)，面向設(shè)備直接說出預(yù)設(shè)的喚醒詞，就能激活產(chǎn)品的識(shí)別引擎，從而真正實(shí)現(xiàn)全程無觸控的語音交互。

　　除了說單個(gè)喚醒詞實(shí)現(xiàn)喚醒外，更自然便捷、在技術(shù)上更具有挑戰(zhàn)性的交互方式是在連續(xù)語流中帶上喚醒詞，以實(shí)現(xiàn)喚醒產(chǎn)品并同時(shí)實(shí)現(xiàn)操控的效果，比如直接在語音助手中說出「打電話給張三」就可以喚醒設(shè)備并自動(dòng)完成人名識(shí)別與撥打電話。

　　隨著語音識(shí)別技術(shù)在距離、效率、個(gè)性化、方言、喚醒等多方面一一突破實(shí)用瓶頸，隨心所欲「聲」控智能家居的時(shí)代一觸即發(fā)，那么這一變革多久會(huì)來?也許在明年，也許就在明天。

相關(guān)閱讀：
Wi-Fi偽智能或失寵 ZigBee上位的五大理由
把爸媽的晚年生活交給智能家居 你放心嗎？