最近，畢馬威會計事務(wù)所在一份報告中預(yù)測：到2030年，銀行的許多服務(wù)性工作崗位將消失，取而代之的是類似蘋果公司Siri的智能語音系統(tǒng)。不管這一預(yù)測是否準(zhǔn)確，智能語音技術(shù)進入我們的生活，已是事實。它在哪些領(lǐng)域能夠取代人的工作？其應(yīng)用前景如何？在發(fā)展過程中，還存在什么技術(shù)瓶頸？記者采訪了上海交通大學(xué)和科大訊飛的專家。
同聲傳譯將由機器來做
在近日舉行的錘子手機發(fā)布會上，訊飛輸入法有一段驚艷表現(xiàn)：在羅永浩講完一大段不太標(biāo)準(zhǔn)的普通話后，這款軟件幾乎一字不差地記錄下來，標(biāo)點符號也基本正確。談及準(zhǔn)確率高的原因，科大訊飛上海分公司總經(jīng)理程蘇表示，訊飛輸入法具有語音識別和語義識別功能，不但能把普通話、方言、外語的語音準(zhǔn)確記錄下來，還能通過語義識別技術(shù)進行“句讀”，較為準(zhǔn)確地使用標(biāo)點符號。
與手機語音輸入相比，會場語音記錄的難度更大。因為在會場上有許多噪音，需要通過加混響、去混響等技術(shù)降低噪音，辨識出演講者的語音，再把這些語音轉(zhuǎn)換成文字。目前，國內(nèi)這種產(chǎn)品已經(jīng)成熟，能取代速記員。“按照‘每個字記錄得是否準(zhǔn)確’這個標(biāo)準(zhǔn)，速記員的準(zhǔn)確率通常不超過80%，而訊飛的準(zhǔn)確率達到95%。”程蘇說。
他還透露，今年底，訊飛將發(fā)布一款能替代同聲傳譯的產(chǎn)品。“屆時，會場上將有兩塊屏幕，一塊顯示中文，另一塊顯示英文，讓大家對機器同傳的準(zhǔn)確率一目了然。”據(jù)介紹，要實現(xiàn)機器同傳，除了語音識別、語義識別技術(shù)外，還需機器翻譯、語音合成兩種技術(shù)。在專業(yè)性不強的會議上，機器同傳已能取代人工，節(jié)省許多會務(wù)費用。而在專業(yè)會議上，這種系統(tǒng)需要前期接受大數(shù)據(jù)訓(xùn)練，標(biāo)注出專業(yè)術(shù)語，這樣在現(xiàn)場就能應(yīng)付自如了。
據(jù)介紹，語音識別結(jié)合機器翻譯的實用性很強。通過一些手機軟件，用戶能將多種外語以及我國少數(shù)民族語言的語音譯成漢語，在一些交流場合，不再需要翻譯人員的幫助。
科大訊飛工作人員在展示一款語音產(chǎn)品。來源：新華社
從“感知”向“認(rèn)知”邁進
話務(wù)員、窗口服務(wù)員的工作也正在被智能語音系統(tǒng)取代。例如，撥打中國平安服務(wù)熱線“95511”后，用戶會聽到語音提示，讓他說出自己要辦理的業(yè)務(wù)，說出后直接跳轉(zhuǎn)到相應(yīng)服務(wù)，不再需要按鍵。又如，中國移動的一些營業(yè)廳已引入語音交互機器人，讓它們?yōu)橛脩艮k理各種業(yè)務(wù)。
盡管如此，上海交通大學(xué)計算機系教授、思必馳聯(lián)合創(chuàng)始人俞凱表示，智能語音系統(tǒng)目前還只能取代部分語音交互服務(wù)崗位。其原因，是現(xiàn)實交流場景中，人們聽到的大多是“非配合式語音”——表達得并不清晰，講述的是復(fù)雜問題，常常需要多次交互，才能理解對方的意思。在這種場景下，目前的智能語音系統(tǒng)遠沒有達到應(yīng)付自如的程度。為此，這一領(lǐng)域的科研人員正在從“感知”向“認(rèn)知”階段邁進，即在基本解決了語音識別問題后，著力增強這種系統(tǒng)的智能，使它們能更好地理解人類的自然語言。
蘋果公司的作為，就反映了這一趨勢。去年，該公司收購了英國公司VocalIQ，希望提高語音助手Siri的智能水平。在劍橋大學(xué)做科研時，俞凱參與創(chuàng)辦了VocalIQ。這家公司開發(fā)的自然語言數(shù)據(jù)庫能存儲、學(xué)習(xí)用戶的語音信息，實現(xiàn)對用戶指令的準(zhǔn)確識別，并給出相應(yīng)的回復(fù)。“蘋果手機剛推出Siri那陣子，很多人喜歡和Siri開玩笑，因為它時常答非所問。”俞凱說，只有借助更先進的語言認(rèn)知系統(tǒng)，Siri才會變得更有用。
蘋果手機Siri的智能有望升級。來源：環(huán)球網(wǎng)
物聯(lián)網(wǎng)時代，語音是剛需
隨著智能語音系統(tǒng)的認(rèn)知能力越來越強，它的用途越來越廣。另一方面，隨著物聯(lián)網(wǎng)時代的到來，智能語音交互將逐步成為人們生活中的“剛需”。俞凱分析說，我們已經(jīng)歷兩個互聯(lián)網(wǎng)時代——PC（個人電腦）互聯(lián)網(wǎng)、移動互聯(lián)網(wǎng)，在第一個時代，我們用鍵盤、鼠標(biāo)輸入信息；在第二個時代，通過手指觸摸、虛擬鍵盤輸入信息。由此可見，語音輸入不是“剛需”，盡管一些智能語音軟件的準(zhǔn)確率很高，但用戶比例還是比較低的。然而，人類即將迎來硬件物聯(lián)網(wǎng)時代。在這個時代，許多智能硬件沒有屏幕，即便有，在一些場景中也會離用戶比較遠，語音交互就會成為最便捷的操控方式。
為了滿足這一未來需求，國內(nèi)外很多企業(yè)正在垂直領(lǐng)域發(fā)力，開發(fā)具有更多智能功能的語音產(chǎn)品?？拼笥嶏w、思必馳開發(fā)的車載系統(tǒng)，就是一個典型的垂直領(lǐng)域。在汽車?yán)?，駕駛員無法用手操作設(shè)備，語音操控的需求很大。據(jù)介紹，思必馳去年推出了可糾正、可打斷的交互系統(tǒng)，用戶能隨時打斷語音助手、糾正自己的錯誤。如在車上撥打電話時，用戶說出號碼后，語音助手重復(fù)這個號碼時，用戶可以打斷它并進行修正（如說“不是135，是136”），而系統(tǒng)能理解這句話的意思。“我們希望在車載通話、聽音樂等垂直領(lǐng)域不斷取得突破，同時通過高?？蒲?，提高系統(tǒng)在開放領(lǐng)域的語言認(rèn)知水平，迎接物聯(lián)網(wǎng)時代的到來。”俞凱說。
