智能語(yǔ)音，主要是人和機(jī)器通過(guò)語(yǔ)音作為媒介進(jìn)行自然交互的形式，涉及到的核心技術(shù)主要包括四個(gè)方面，先通過(guò)語(yǔ)音識(shí)別（ASR）轉(zhuǎn)成文字，如果語(yǔ)音信號(hào)質(zhì)量不好的話，前端會(huì)有一個(gè)語(yǔ)音增強(qiáng)模塊；然后是口語(yǔ)語(yǔ)言理解，接下來(lái)是對(duì)話管理和口語(yǔ)語(yǔ)言生成，而終通過(guò)文語(yǔ)轉(zhuǎn)換（TTS）生成語(yǔ)音回饋給用戶。

回顧語(yǔ)音識(shí)別的發(fā)展，在2000年之前，語(yǔ)音識(shí)別的錯(cuò)誤率有明顯的改善，而在2000年到2010年期間，我們做的很多努力很難再去進(jìn)一步降低識(shí)別的錯(cuò)誤率。在大概2010年后，在深度學(xué)習(xí)的推動(dòng)下，利用大數(shù)據(jù)、機(jī)器學(xué)習(xí)和大算力這“三駕馬車”，語(yǔ)音識(shí)別的識(shí)別準(zhǔn)確度再一次明顯提升，錯(cuò)誤率再一次下降，并且在一部分?jǐn)?shù)據(jù)集上實(shí)現(xiàn)了媲美人類語(yǔ)音識(shí)別的精度。

語(yǔ)音識(shí)別是智能語(yǔ)音范疇內(nèi)的一個(gè)典型任務(wù)，除此之外，智能語(yǔ)音的任務(wù)還包括語(yǔ)音編碼、語(yǔ)音增強(qiáng)、關(guān)鍵詞檢出、聲紋識(shí)別等一系列任務(wù)，而智能語(yǔ)音技術(shù)能夠服務(wù)的方向主要包括三方面，一是自然人機(jī)交互，二是自然人人交互，還有就是內(nèi)容分析與挖掘，垂直落地的應(yīng)用非常多，場(chǎng)景廣泛，價(jià)值巨大。

在技術(shù)側(cè)，智能語(yǔ)音行業(yè)發(fā)展仍然面臨著聲紋識(shí)別的不穩(wěn)定性、語(yǔ)音識(shí)別的魯棒性以及訓(xùn)練場(chǎng)景的長(zhǎng)尾性的落地挑戰(zhàn)；

而在應(yīng)用側(cè)，智能語(yǔ)音技術(shù)已逐步從純技術(shù)形式應(yīng)用，轉(zhuǎn)向“語(yǔ)音+AI技術(shù)+行業(yè)“的創(chuàng)新式發(fā)展。

受供給側(cè)的業(yè)務(wù)增長(zhǎng)突破和需求側(cè)的客戶訴求推動(dòng)，智能語(yǔ)音技術(shù)調(diào)用不僅是單純?yōu)檗D(zhuǎn)寫“人說(shuō)了什么”或者輸出“機(jī)器要說(shuō)什么”，而是正逐步與語(yǔ)義理解、知識(shí)圖譜等AI技術(shù)融合，讓使用智能語(yǔ)音技術(shù)的機(jī)器本體更加具備認(rèn)知性和行業(yè)關(guān)聯(lián)性，結(jié)合行業(yè) Know-how和甲方需求輸出整體性、結(jié)果導(dǎo)向性的實(shí)用解決方案。

智能語(yǔ)音的技術(shù)挑戰(zhàn)

1 聲紋識(shí)別的不穩(wěn)定性：人的聲音在不同時(shí)間、 狀態(tài)會(huì)呈現(xiàn)不同的特征，因此技術(shù)層面如何準(zhǔn)確識(shí)別變化明顯的聲紋特征仍然面臨挑戰(zhàn)。

2 語(yǔ)音識(shí)別的魯棒性：說(shuō)話目標(biāo)由遠(yuǎn)到近的移動(dòng)、場(chǎng)景變化、背景噪音、混響嘈雜、干擾聲源等真實(shí)場(chǎng)景，會(huì)給語(yǔ)音識(shí)別準(zhǔn)確率帶來(lái)較大 折扣。

3 訓(xùn)練場(chǎng)景的長(zhǎng)尾性：面對(duì)低資源小語(yǔ)種和語(yǔ)言訓(xùn)練場(chǎng)景，如何通過(guò)較少資源獲得規(guī)模有效的訓(xùn)練成果，是智能語(yǔ)音持續(xù)面臨的技術(shù)挑戰(zhàn)。