過去一年，從谷歌眼鏡開始，穿戴式設備、智能家居和車載設備的興起，將語音識別技術(shù)推到應用的前臺。

對整個語音識別行業(yè)而言，過去一年也經(jīng)歷了前所未有的繁榮，語音識別技術(shù)也有大幅度提高，特別是對新興創(chuàng)業(yè)公司而言，語音識別技術(shù)不再如過去那樣封閉，而是逐步開放和開源，語音技術(shù)門檻逐漸降低。“專業(yè)公司的語音識別可以做到90%，小廠商可以利用開源技術(shù)至少可以做到70%左右的識別率。”語音識別的業(yè)內(nèi)人士這樣判斷。

實際上，即使如專業(yè)語音識別廠商科大訊飛、云知聲、思必馳等都可以做到90%以上的語音識別正確率，單獨的語音識別在可穿戴設備中的應用依然不夠“聽話”。這甚至成為整體語音技術(shù)應用的一個最大痛點。

“語音識別的遺憾是再努力做也做不到百分之百”。智能語音技術(shù)創(chuàng)業(yè)公司思必馳首席科學家俞凱這樣判斷。

劍橋大學皇家工程院院士史蒂夫.楊（Steve Young）教授是語音識別界的權(quán)威人物，多年前開始思考另一個方向：“在識別有錯誤，或者在理解有歧義的情況下，人和人之間可以繼續(xù)對話溝通達成目標，機器也應可以做到。”

沿著在英國奠定的“對話”技術(shù)路徑，作為史蒂夫.楊的對話系統(tǒng)研究團隊早期核心成員，劍橋大學語音識別博士俞凱，和另一位同在劍橋大學畢業(yè)的高始興回國創(chuàng)業(yè)，創(chuàng)立了思必馳。從思必馳的進展來看，不糾結(jié)于語音識別的識別率的完美主義，而死磕人機交互的“對話”系統(tǒng)似乎可成為如何讓可穿戴設備真正能用上語音技術(shù)的“捷徑”之一。

語音助手的尷尬

自蘋果iPhone 4S內(nèi)置Siri以來，幾乎所有的手機都開始內(nèi)置語音助手類的應用。除了谷歌Now、蘋果Siri，國內(nèi)如百度、搜狐等公司都推出了語音助手類應用。

一年后，助手類應用幾乎都面臨著功能的同質(zhì)化、用戶體驗不足、語音識別準確率在復雜條件下距離實用化尚有距離的問題。

Siri的迭代可以解釋助手的尷尬。在蘋果發(fā)布iPhone 一代和二代時并沒有沒有語音驅(qū)動。在當時，蘋果的一個調(diào)研顯示，75%的用戶希望在手機中內(nèi)置語音應用。隨后，蘋果在iPhone3GS中加入了語音控制的功能。實際應用中，不到5%的人會使用語音控制。蘋果內(nèi)部的總結(jié)發(fā)現(xiàn)，用戶不使用語音控制不是不喜歡語音應用，而是由于語音控制不是用戶的自然交互。

“有87%的用戶每月至少使用一次Siri，但大多數(shù)用戶都是和Siri聊天。而不是通過Siri完成任務。”Siri的一位負責人發(fā)布了這樣的數(shù)據(jù)。

“Siri給我們的啟示是，未來智能語音技術(shù)的發(fā)展，必須同時解決自然語言交互和完成有用任務的問題，而且限制越少越好，缺了哪個都不行。”俞凱說。

去年，Siri被重新整合到蘋果的內(nèi)容和服務部門，且設立的四個研發(fā)組中一個與語音識別相關，三個全都是與對話系統(tǒng)相關。另一家巨頭谷歌于去年9月對外公布新算法“Hummingbird(蜂鳥)”目的是發(fā)展語義搜索；12月在巴黎舉行的LeWeb上透露將采用反復對話的形式進行搜索。

俞凱認為，這個舉動暗示巨頭的戰(zhàn)略在從語音識別向?qū)υ捊换サ姆较蜻~進。

用對話交互解決痛點

對于那些不方便使用鍵盤和鼠標輸入的設備而言，語音識別技術(shù)成為更有效的輸入手段，幫助用戶解決了輸入的困難。

“有了語音識別，將語音轉(zhuǎn)換成文本，再將文本用自然語言處理轉(zhuǎn)換成語義就完成任務了么？”俞凱認為，這些還不夠。“語音技術(shù)的本意是幫助用戶最快地完成任務，但語音識別+自然語言處理不能徹底解決這個問題。”

單純的語音識別的另一個局限是，識別+自然語言處理本質(zhì)上是根據(jù)文本理解，語音先轉(zhuǎn)換成文本，自然語言理解僅僅針對文本進行，這種模式很難應對語音識別的錯誤，也無法理解用戶意圖的模糊性。

這是由于，人天生的傾向于用非精確的信息來交互，因為非精確的信息傳輸量更大，更方便。機器卻是需要有精確信息來處理才能讓識別和自然語言處理更準確。這是一對天然的矛盾。

例如說“去九寨溝吃飯”，到底是去風景區(qū)，還是去一個叫九寨溝的餐館是不清楚的。因為在識別過程中沒有針對交互過程中的上下文建立對話模型和聯(lián)系歷史信息，這類用戶意圖的模糊是無法由自然語言處理完成的。

“我們把識別、理解、決策、合成等對話系統(tǒng)的各個模塊進行聯(lián)合優(yōu)化，在每個模塊出現(xiàn)處理上的偏差的時候，基于全系統(tǒng)豐富的非精確信息進行計算，更新交互，實現(xiàn)順暢對話。在自然語言理解的基礎上，又允許有不確定性的信息，綜合去做理解和交互決策。”俞凱說。

劍橋語音技術(shù)血統(tǒng)的創(chuàng)業(yè)

科大訊飛的創(chuàng)始團隊來自于中國科技大學，云知聲的團隊來自于中科院自動化所和盛大創(chuàng)新院。

在科大訊飛開始做語音識別技術(shù)之前，90年代初期，劍橋大學開發(fā)的HTK語音識別工具已經(jīng)將實驗室研究的語音識別技術(shù)的代碼標準化，并免費提供給開發(fā)者，普及了語音識別技術(shù)的開發(fā)，至今也是全世界使用最為廣泛的開源軟件之一。

思必馳的創(chuàng)業(yè)血統(tǒng)來自于劍橋大學。俞凱和思必馳CEO高始興是在劍橋的師兄弟。俞凱曾和對話領域的奠基人史蒂夫.楊搭檔開展語音對話交互的研究和產(chǎn)業(yè)化工作。

2011年，高始興看到中國市場上智能設備上有爆發(fā)之勢，請俞凱回國，并從漢語和英語口語評測的方向轉(zhuǎn)型，在完成高精度的云端語音識別之后，重點實現(xiàn)對話系統(tǒng)技術(shù)。

“2011年，我們的首輪融資來自聯(lián)想之星。之所以在眾多投資者中選擇聯(lián)想，是聯(lián)想之前投資了科大訊飛有關。聯(lián)想是唯一一家投過語音識別企業(yè)的。”高始興說。

去年9月，思必馳發(fā)布了國內(nèi)第一個對話平臺——對話工場，以對話為核心的智能語音交互技術(shù)開放平臺，核心是不僅讓機器聽清人話，還能聽懂，并完成任務。

截止到目前，聯(lián)想、蘇州電信、同程網(wǎng)、土曼智能手表、幻騰智能燈、智能家居Broadlink、驢媽媽等都采用了思必馳的語音技術(shù)解決方案。“互聯(lián)網(wǎng)的合作伙伴有20家，手機等智能設備的合作伙伴也有20家。還有一些智能客服的合作伙伴。”高始興透露。

不過他認為，和廠商的合作并非接入語音識別的技術(shù)方案那樣簡單，更重要的是與業(yè)務的耦合。

語音助手類的應用的尷尬在于只是識別引擎，效果不好很容易被其他助手替換。如果能與合作伙伴的業(yè)務能深度耦合，“一方面給合作伙伴的業(yè)務帶來用戶粘性，同時還可以通過該業(yè)務用戶的語音語料做自身技術(shù)方案的優(yōu)化，同時還能提升用戶體驗，多方共贏。”高始興說。