導(dǎo)語：2017年7月，國外媒體報道蘋果或?qū)⒂赪WDC 推出智能音箱產(chǎn)品，引發(fā)語音人工智能領(lǐng)域關(guān)注。一方面，以亞馬遜Echo 智能音箱為代表的現(xiàn)象級AI 產(chǎn)品廣泛應(yīng)用于日常家居生活；另一方面，中國2017 年兩會政府工作報告首提人工智能，“科技創(chuàng)新2030—重大項目”關(guān)注人工智能2.0 主題，AI 全面升級為國家層面發(fā)展戰(zhàn)略。由于學(xué)習驅(qū)動方式、數(shù)據(jù)處理方式、計算形態(tài)、平臺生成方式和研究理念五大方面的變化，政策和產(chǎn)業(yè)的現(xiàn)狀表明AI 2.0 時代已經(jīng)來臨。
人工智能躍遷2.0 階段，
智能音箱催熟語音AI 新入口
（一）市場面語音類產(chǎn)品熱度提升，政策面AI 被密集提及
1、語音類AI 產(chǎn)品突破市場，用戶體驗良好帶動銷量大增
2017年7月，來自AppleInsider、KGI 等多處消息顯示蘋果公司正在籌劃推出智能音箱類產(chǎn)品，其中或?qū)⒅踩隨iri 語音助手，并有望在WWDC 蘋果大會上發(fā)布。全球消費者電子龍頭公司的加入，讓語音類人工智能產(chǎn)品再次吸引了業(yè)界和消費者的濃厚興趣。
一方面，人工智能受多個有影響力影響力的事件推動早已成為關(guān)注點。2016 年谷歌AlphaGo 大比分戰(zhàn)勝人類圍棋高手李世石，2017 年初騰訊圍棋機器人絕藝在UEC 杯世界計算機圍棋大賽等比賽中戰(zhàn)績突出，近期百度小度機器人在《最強大腦》節(jié)目里擊敗人類頂尖選手。這些事件表明AI 技術(shù)發(fā)展越來越成熟，特別是深度學(xué)習技術(shù)不斷實現(xiàn)突破。
另一方面，從產(chǎn)品化角度看，語音類AI 產(chǎn)品最為接近實用，性能表現(xiàn)能夠基本滿足用戶需求。最有代表性的是Amazon 在2014 年11 月發(fā)布的Echo 智能音箱，以及在后期陸續(xù)發(fā)布入門級智能音箱Echo Dot 和便攜式藍牙智能音箱Echo Tap。消費者可通過內(nèi)置語音助手Alexa 進行智能設(shè)備控制、多媒體操作、信息獲取、日程提醒等服務(wù)，Echo 還可提供第三方接口以實現(xiàn)功能擴展。根據(jù)CIRP 和RBC Capital Market 等公司的估計，截止到2017 年2 月，Echo 系列產(chǎn)品累計銷售量接近1000 萬臺，銷售額達到8~10 億美元。客戶體驗方面，Echo 系列產(chǎn)品一改早期AI 產(chǎn)品“嘗鮮勝過實用”的表現(xiàn)，收獲了良好的用戶口碑。其官網(wǎng)已積累了5 萬余條用戶評論，評分達4.4 星。
銷量激增和口碑優(yōu)秀的背后折射出Echo 這一類語音交互類產(chǎn)品正迅速從早期用戶的小眾圈子進入大眾市場。受此影響，Google、京東等也陸續(xù)推出Google Home、叮咚音箱等類似產(chǎn)品。若蘋果推出智能音箱，則將成為另一個重要玩家。美國調(diào)查公司VoiceLabs在2017 年初發(fā)布的《2017 年語音報告》預(yù)測2017 年將有2450 萬臺以語音為主要交互方式的智能硬件產(chǎn)品發(fā)貨，市場總量將達到3300 萬臺，市場規(guī)模超過200 億美元。
Google Home 音箱
Amazon 借助Echo 音箱構(gòu)建智能生態(tài)
2、兩會首提人工智能，科技規(guī)劃緊隨其后
2017 年3 月5 日國務(wù)院總理李克強在政府工作報告中首次提到要加快人工智能等技術(shù)研發(fā)和轉(zhuǎn)化，做大做強產(chǎn)業(yè)集群。實際上，最近一年來政府對人工智能的關(guān)注明顯提升，相關(guān)政策的推進也有所加快：2016 年7 月，國務(wù)院在《“十三五”國家科技創(chuàng)新規(guī)劃》中提出重點發(fā)展新一代信息技術(shù)，對人工智能和智能交互做出重點規(guī)劃；2017 年2 月15日，科技部表示在“科技創(chuàng)新2030—重大項目”中新增“人工智能2.0”項目，并已進入實施方案的最終論證階段；2017 年3 月11 日，科技部部長萬鋼還在表示，科技部正和相關(guān)方面共同起草促進中國人工智能創(chuàng)新發(fā)展規(guī)劃，此規(guī)劃旨在推動人工智能在經(jīng)濟建設(shè)、社會民生、環(huán)保事業(yè)、國家安全等方面應(yīng)用。我們認為，政府工作報告首次提及AI，表明其已升級為國家戰(zhàn)略，相關(guān)規(guī)劃的具體設(shè)計和配套政策的落地也將助力AI 產(chǎn)業(yè)深化發(fā)展。國家陸續(xù)出臺的多項政策在政策面對人工智能產(chǎn)業(yè)的發(fā)展起到積極的助推和引導(dǎo)作用。
（二）AI 2.0 概念成型，語音入口地位顯現(xiàn)
1、AI 2.0時代來臨
目前多個研究認為，人工智能已基本發(fā)展到2.0 階段，應(yīng)用領(lǐng)域深入到機器人、安防、金融、醫(yī)療、家居等多個垂直行業(yè)?？偟膩碚f，AI 2.0 的基本含義是指人工智能在內(nèi)部新算法模型和高性能硬件發(fā)展的支持下，應(yīng)對外部信息環(huán)境及社會需求的快速變動，從單個技術(shù)解決單一場景的“1.0”階段跨越到不同產(chǎn)業(yè)融合式發(fā)展的新階段。
AI 1.0 向2.0 轉(zhuǎn)型升級具有五大表現(xiàn)特征：
（1）學(xué)習驅(qū)動方式升級：從傳統(tǒng)知識表達方式、單純大數(shù)據(jù)驅(qū)動方式，轉(zhuǎn)向大數(shù)據(jù)驅(qū)動和知識指導(dǎo)相結(jié)合的方式，可自動進行機器學(xué)習，其應(yīng)用范圍更加廣泛；
（2）數(shù)據(jù)處理方式升級：從分類型處理多媒體數(shù)據(jù) （如視覺、聽覺、文字等），邁向跨媒體認知、學(xué)習和推理的新水平；
（3）計算形態(tài)升級：從直接追求“智能機器”和高水平的人機協(xié)同融合，走向漸進型混合增強智能的新計算形態(tài)；
（4）平臺生成方式升級：從聚焦研究“個體智能”，走向基于互聯(lián)網(wǎng)絡(luò)的群體智能，形成在網(wǎng)上激發(fā)組織群體智能的技術(shù)與平臺；
（5）研究理念升級：從機器人主導(dǎo)，轉(zhuǎn)向更加廣闊的智能自主系統(tǒng)，從而促進改造各種機械、裝備和產(chǎn)品，走上泛智能化之路。
支撐技術(shù)日趨成熟，產(chǎn)品服務(wù)創(chuàng)新有跡可循。語音AI 技術(shù)包括三個要素：算法、計算能力和數(shù)據(jù)。（1）算法方面，按照“機器感知—人機理解—智能判斷”這一典型語音AI 作業(yè)流程劃分，涉及的基礎(chǔ)支撐技術(shù)主要包含語音識別、聲紋識別、自然語言處理、深度學(xué)習等；（2）計算能力方面，主要涉及用于計算加速的GPU 芯片和提升語音預(yù)處理效果的麥克風陣列等硬件；（3）數(shù)據(jù)方面，則和業(yè)務(wù)相關(guān)，主要分為通用型（如人機對話等）和專用型（如工作任務(wù)、特定信息查詢、操作指令等）等。
（一）語音識別技術(shù)高度成熟，傳統(tǒng)科技公司優(yōu)勢明顯
語音識別（Automatic Speech Recognition，ASR）是將人類的聲音信號轉(zhuǎn)化為文字或者指令的過程，是大多數(shù)語音交互的第一道門檻，只有首先聽對用戶說的話才能進行后續(xù)的理解和決策。一個完整的語音識別系統(tǒng)包括特征提取、聲學(xué)模型、語言模型、搜索算法等模塊。而在具體實現(xiàn)上，一般的需要先準備特征模型庫，在識別時對采集到的語音信號提取待檢測特征，然后將得到的語音特征參數(shù)與模型庫進行比對。由聲音模式匹配模塊對該段語音進行識別，從而識別出語音內(nèi)容。
語音識別系統(tǒng)流程
從市場格局來看，傳統(tǒng)的科技公司占據(jù)ASR 市場絕對份額：2015 年，全球市場中Nuance、谷歌、蘋果、微軟占據(jù)絕對市場份額，國內(nèi)市場中科大訊飛和百度占據(jù)約73%的份額。
（二）聲紋識別助力身份認證，安防與移動支付場景成看點
1、VPR 技術(shù)原理、應(yīng)用和實現(xiàn)路徑
聲紋識別技術(shù)（Voiceprint Recognition，VPR）是通過語音信號提取發(fā)聲人的身份的相關(guān)特征，并通過這些特征進行模式匹配，從而識別出發(fā)聲人身份的技術(shù)。聲紋是一種承載語音頻譜的音頻信息，不同生物個體的發(fā)音器官均有其特殊性，發(fā)出的語音、語調(diào)等信號是有區(qū)別的，因此聲紋識別技術(shù)可以實現(xiàn)身份信息的識別，并在現(xiàn)實生活中得到廣泛應(yīng)用。聲紋識別作為生物識別技術(shù)的一種，受益于消費者電子技術(shù)創(chuàng)新的發(fā)展趨勢。生物識別技術(shù)進入消費者電子產(chǎn)品的標志事件是2013 年iPhone 5S 采用指紋識別技術(shù)。隨后，虹膜、人臉、聲紋等其他的生物識別技術(shù)也開始獲得長足的發(fā)展。
VPR 技術(shù)原理：VPR 的實現(xiàn)是先對收到的語音信息提取特征做預(yù)處理，然后進行語音訓(xùn)練和語音識別兩個階段處理。語音訓(xùn)練是對提取出的語音信息特征進行學(xué)習訓(xùn)練，創(chuàng)建全面的聲紋信息模板或語音信息庫。識別部分則是根據(jù)信息模板或信息庫對語音特征進行模式匹配計算，由此判斷該語音是否為已知模板或語音庫中的特征信息，從而得出識別結(jié)果。
聲紋識別系統(tǒng)原理圖
VPR 技術(shù)主要使用動態(tài)檢測的方法。動態(tài)檢測的方法是在靜態(tài)檢測的原理方法之上增加語音激活檢測（Voice Activity Detect，VAD）、降噪、去混響等算法。VAD 的目的是檢測人聲開始與結(jié)束的時間點，將對應(yīng)音頻截取出來以供分析，避免無效的錄音部分帶來的額外時間開銷；降噪和去混響是排除環(huán)境干擾，進一步提高識別正確率。
2、安全控制應(yīng)用廣泛，移動支付成看點
VPR 在政府、鐵路、電力、安全等特殊部門中依然具有較好的實用價值。根據(jù)美國聯(lián)邦調(diào)查局對近2000 例與聲紋相關(guān)的案件進行的統(tǒng)計，利用聲紋作為證據(jù)時只有0.31%的錯誤率。同樣聲紋鑒別已是國內(nèi)公安部的證據(jù)鑒定標準之一，這說明某些環(huán)境下聲紋可以用來作為有效的身份鑒別方式。
產(chǎn)業(yè)界一些領(lǐng)先企業(yè)開始在移動支付領(lǐng)域采用“聲紋+人臉識別”的融合方式開展產(chǎn)品化工作。2015 年，支付寶和百度錢包相繼上線聲紋支付功能。科大訊飛依托聲紋識別和人臉識別技術(shù)構(gòu)建了統(tǒng)一生物認證系統(tǒng)，并聯(lián)合中國銀聯(lián)、徽商銀行共同推出“聲紋+人臉”融合認證個人轉(zhuǎn)賬應(yīng)用。聲紋識別一個重要的的優(yōu)點是可以將語音操作和身份認證融合在同一個環(huán)節(jié)中，即用戶發(fā)出語音指令即可同時進行聲紋識別和語義理解，因此我們預(yù)計未來配合人臉識別的聲紋認證服務(wù)將更多涌現(xiàn)。
圖：科大訊飛等聯(lián)合推出的“聲紋+人臉”支付產(chǎn)品
圖：支付寶聲紋支付演示
（三）自然語言處理仍存技術(shù)難點，機器翻譯或為突破口
1、自然語言處理是語音AI 的重要核心
自然語言處理（Natural Language Processing，NLP）是一門融語言學(xué)、計算機科學(xué)、數(shù)學(xué)于一體的科學(xué)。NLP 可分為自然語言理解和自然語言生成。前者是計算機能理解自然語言文本的意義，后者是計算機能以自然語言文本來表達給定的意思。NLP 是語音AI領(lǐng)域中的核心部分，但當前面臨的技術(shù)挑戰(zhàn)難度較大，基于統(tǒng)計技術(shù)的傳統(tǒng)方法并未完全解決語言理解的難點。
人機對話是NLP 技術(shù)最為典型的應(yīng)用之一。人機對話系統(tǒng)的基本結(jié)構(gòu)包括三個部分：語言理解、語言生成和對話管理。語言理解和生成分別是指理解用戶的語言輸入和產(chǎn)生系統(tǒng)的語言輸出。這兩部分直接影響對話系統(tǒng)的性能，成為NLP 中其他應(yīng)用不可缺少的部分。對話管理則可用于區(qū)分對話系統(tǒng)和問答系統(tǒng)，是指從語言理解部分獲取輸入信息，維護對話過程中的系統(tǒng)內(nèi)部狀態(tài)（如上下文、指代詞等），并基于狀態(tài)生成對話策略，為產(chǎn)生對話言語提供依據(jù)。對話管理的評價指標主要是要控制對話流程的自然程度和用戶體驗。
2、機器翻譯技術(shù)發(fā)展迅速，互聯(lián)網(wǎng)公司占主導(dǎo)優(yōu)勢
NLP 領(lǐng)域一個較成熟的方向是機器翻譯（Machine Translation）。一種方案是采用神經(jīng)機器翻譯模型，是一種通用的計算裝置，適合處理“序列到序列”的問題。所謂“序列”是指機器翻譯中源語言的句子和對應(yīng)的目標語言的對應(yīng)關(guān)系。機器翻譯的發(fā)展主要經(jīng)歷以下四個階段，如下圖所示。
圖：機器翻譯發(fā)展歷程
影響機器翻譯水平的方面中雙語語料庫的構(gòu)建很關(guān)鍵。大型互聯(lián)網(wǎng)公司在這一領(lǐng)域積累深厚，已占據(jù)主導(dǎo)優(yōu)勢。例如科大訊飛在2016 年底的年度發(fā)布會上演示的訊飛聽見系統(tǒng)在實時轉(zhuǎn)寫的同時，能同步翻譯成英語、日語、韓語、維語等。
除了機器翻譯應(yīng)用，在新的消費者電子產(chǎn)品上NLP 主流應(yīng)用以智能語音助手為主，如IBM Watson、蘋果Siri、Google Assistant、微軟小冰和小娜、百度度秘等。人們對此已經(jīng)比較熟悉，不再過多論述。目前，由于技術(shù)成熟度有限，NLP 應(yīng)用整體上還處于一個早期階段，只能理解一些簡單的句子，滿足用戶初級的溝通與交互需求。
官方微博