最近，畢馬威會計事務所在一份報告中預測：到2030年，銀行的許多服務性工作崗位將消失，取而代之的是類似蘋果公司Siri的智能語音系統。不管這一預測是否準確，智能語音技術進入我們的生活，已是事實。它在哪些領域能夠取代人的工作？其應用前景如何？在發展過程中，還存在什么技術瓶頸？記者采訪了上海交通大學和科大訊飛的專家。
同聲傳譯將由機器來做
在近日舉行的錘子手機發布會上，訊飛輸入法有一段驚艷表現：在羅永浩講完一大段不太標準的普通話后，這款軟件幾乎一字不差地記錄下來，標點符號也基本正確。談及準確率高的原因，科大訊飛上海分公司總經理程蘇表示，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、外語的語音準確記錄下來，還能通過語義識別技術進行“句讀”，較為準確地使用標點符號。
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、去混響等技術降低噪音，辨識出演講者的語音，再把這些語音轉換成文字。目前，國內這種產品已經成熟，能取代速記員。“按照‘每個字記錄得是否準確’這個標準，速記員的準確率通常不超過80%，而訊飛的準確率達到95%。”程蘇說。
他還透露，今年底，訊飛將發布一款能替代同聲傳譯的產品。“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確率一目了然。”據介紹，要實現機器同傳，除了語音識別、語義識別技術外，還需機器翻譯、語音合成兩種技術。在專業性不強的會議上，機器同傳已能取代人工，節省許多會務費用。而在專業會議上，這種系統需要前期接受大數據訓練，標注出專業術語，這樣在現場就能應付自如了。
據介紹，語音識別結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品。來源：新華社
從“感知”向“認知”邁進
話務員、窗口服務員的工作也正在被智能語音系統取代。例如，撥打中國平安服務熱線“95511”后，用戶會聽到語音提示，讓他說出自己要辦理的業務，說出后直接跳轉到相應服務，不再需要按鍵。又如，中國移動的一些營業廳已引入語音交互機器人，讓它們為用戶辦理各種業務。
盡管如此，上海交通大學計算機系教授、思必馳聯合創始人俞凱表示，智能語音系統目前還只能取代部分語音交互服務崗位。其原因，是現實交流場景中，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遠沒有達到應付自如的程度。為此，這一領域的科研人員正在從“感知”向“認知”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。在劍橋大學做科研時，俞凱參與創辦了VocalIQ。這家公司開發的自然語言數據庫能存儲、學習用戶的語音信息，實現對用戶指令的準確識別，并給出相應的回復。“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知系統，Siri才會變得更有用。
蘋果手機Siri的智能有望升級。來源：環球網
物聯網時代，語音是剛需
隨著智能語音系統的認知能力越來越強，它的用途越來越廣。另一方面，隨著物聯網時代的到來，智能語音交互將逐步成為人們生活中的“剛需”。俞凱分析說，我們已經歷兩個互聯網時代——PC（個人電腦）互聯網、移動互聯網，在第一個時代，我們用鍵盤、鼠標輸入信息；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網時代。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，國內外很多企業正在垂直領域發力，開發具有更多智能功能的語音產品。科大訊飛、思必馳開發的車載系統，就是一個典型的垂直領域。在汽車里，駕駛員無法用手操作設備，語音操控的需求很大。據介紹，思必馳去年推出了可糾正、可打斷的交互系統，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、聽音樂等垂直領域不斷取得突破，同時通過高校科研，提高系統在開放領域的語言認知水平，迎接物聯網時代的到來。”俞凱說。
