每經(jīng)編輯 趙娜    

每經(jīng)記者 趙娜

日前，百度宣布在其語(yǔ)音開(kāi)放平臺(tái)上線(xiàn)三周年之際，向公眾開(kāi)放四項(xiàng)全新語(yǔ)音技術(shù)接口，分別是情感合成、遠(yuǎn)場(chǎng)方案、喚醒二期技術(shù)和長(zhǎng)語(yǔ)音。

《每日經(jīng)濟(jì)新聞》記者注意到，作為人工智能的主要技術(shù)及應(yīng)用之一，語(yǔ)音識(shí)別是國(guó)內(nèi)外科技公司都在耕耘的方向。百度公司首席科學(xué)家吳恩達(dá)甚至形容稱(chēng)，“我們已經(jīng)站在人工智能的黎明。”

早些時(shí)候，谷歌于今年3月宣布開(kāi)放其語(yǔ)音識(shí)別API（應(yīng)用程序編程接口）。

據(jù)了解，百度語(yǔ)音開(kāi)放平臺(tái)日前宣布對(duì)外開(kāi)放的四項(xiàng)技術(shù)，也可以理解為輸出解決方案，包括情感合成、遠(yuǎn)場(chǎng)方案、喚醒二期技術(shù)和長(zhǎng)語(yǔ)音四種。

“這些技術(shù)有很大的潛力，去徹底改變?nèi)藱C(jī)交互的效率和辦法。未來(lái)語(yǔ)音技術(shù)在很多應(yīng)用場(chǎng)景有很好的機(jī)會(huì)，將為人機(jī)交互帶來(lái)巨大的改變。”吳恩達(dá)表示，這些技術(shù)旨在解決用戶(hù)在使用語(yǔ)音交互的場(chǎng)合時(shí)，普遍感到困擾的一些關(guān)鍵問(wèn)題。例如，百度情感合成技術(shù)主要聚焦在為合成語(yǔ)音“加入情感”，目前可達(dá)到接近真人發(fā)聲效果。類(lèi)似地，開(kāi)發(fā)者還可以利用新的接口，使語(yǔ)音識(shí)別距離增加到3米到5米，將設(shè)備的語(yǔ)音喚醒率提升到95%以上，同時(shí)更省電、誤報(bào)更少，或提升長(zhǎng)時(shí)間語(yǔ)音識(shí)別的準(zhǔn)確率問(wèn)題。這將為語(yǔ)音技術(shù)帶來(lái)遠(yuǎn)比現(xiàn)在更多的想象空間，而不只是遙控電視或解鎖手機(jī)。

公開(kāi)資料顯示，百度語(yǔ)音識(shí)別準(zhǔn)確率已達(dá)97%。百度語(yǔ)音開(kāi)放平臺(tái)自2013年10月上線(xiàn)以來(lái)，開(kāi)發(fā)者數(shù)量超過(guò)14萬(wàn)。

斯坦福大學(xué)人工智能專(zhuān)家James Landay提到，“近兩年，受益于大數(shù)據(jù)和深度學(xué)習(xí)技術(shù)的不斷發(fā)展，語(yǔ)音識(shí)別技術(shù)突飛猛進(jìn)，速度及準(zhǔn)確性都有了長(zhǎng)足進(jìn)步。”

值得注意的是，作為人工智能的主要技術(shù)及應(yīng)用之一，語(yǔ)音識(shí)別是國(guó)內(nèi)外科技公司都在耕耘的方向，包括蘋(píng)果、微軟、谷歌、百度、騰訊、科大訊飛和搜狗等多家公司都在這一領(lǐng)域發(fā)力。

“我們已經(jīng)站在人工智能的黎明。”11月22日下午，吳恩達(dá)在接受包括《每日經(jīng)濟(jì)新聞》在內(nèi)的媒體采訪(fǎng)時(shí)稱(chēng)，語(yǔ)音識(shí)別的門(mén)檻很高，除了技術(shù)復(fù)雜，數(shù)據(jù)門(mén)檻也非常高。現(xiàn)階段，最難的仍是核心技術(shù)研發(fā)，如識(shí)別率提升、大數(shù)據(jù)語(yǔ)音合成等。百度希望通過(guò)開(kāi)放相關(guān)技術(shù)，讓智能應(yīng)用更易被開(kāi)發(fā)。

另一方面，今年3月，谷歌在其N(xiāo)ext云計(jì)算大會(huì)上發(fā)布面向開(kāi)發(fā)者的新機(jī)器學(xué)習(xí)平臺(tái)的同時(shí)，宣布開(kāi)放語(yǔ)音識(shí)別API，即谷歌語(yǔ)音搜索和語(yǔ)音輸入的支持技術(shù)。

記者留意到，Google Cloud SPeech API包括了80多種語(yǔ)言，適用于各種實(shí)時(shí)語(yǔ)音識(shí)別與翻譯應(yīng)用。9月下旬，外媒報(bào)道稱(chēng)，谷歌宣布將收購(gòu)智能語(yǔ)音識(shí)別工具開(kāi)發(fā)商API.ai，預(yù)計(jì)會(huì)整合后者的自然語(yǔ)言理解技術(shù)。

而就在上周的第三屆世界互聯(lián)網(wǎng)大會(huì)上，王小川在演講中現(xiàn)場(chǎng)演示了實(shí)時(shí)語(yǔ)音識(shí)別和翻譯的能力，并提到，搜索的未來(lái)就是問(wèn)答機(jī)器人，隨著技術(shù)的突破，搜索引擎會(huì)自然而然演化成為問(wèn)答引擎。但他也直言，盡管人工智能最重要的突破領(lǐng)域是在語(yǔ)音和圖像領(lǐng)域，但在文字領(lǐng)域的進(jìn)展仍較緩慢。比如，在安靜的環(huán)境下，搜狗的語(yǔ)音識(shí)別準(zhǔn)確度已經(jīng)到了95%甚至97%，但一旦有噪音，準(zhǔn)確率會(huì)迅速下降。