語音識別是目前應用最成熟的人機交互方式，從最初大家體驗過的有屏手持設備這種近場的語音識別，如Siri以及各種語音助手，到現(xiàn)在，語音識別的應用已經完成了向智能硬件以及機器人上延伸，不過，新的人機交互對硬件、算法要求更加苛刻，各企業(yè)正面臨著巨大的挑戰(zhàn)。
那么實現(xiàn)人機交互需要解決哪些問題?這其中的關鍵技術有哪些?人機交互的未來趨勢如何?本期硬創(chuàng)公開課邀請了科大訊飛的研發(fā)主管趙艷軍為大家答疑解惑。
分享嘉賓：趙艷軍， AIUI項目負責人，科大訊飛云平臺研發(fā)主管，負責訊飛開放平語音識別、語音合成、聲紋、喚醒等多項產品研發(fā)，同時負責人機交互解決方案AIUI的開發(fā)，致力于把核心技術更好的產品化，使人與機器的交流像人與人之間一樣簡單，自然。
人機交互的痛點
語音作為目前人機交互的主要方式，大家如果使用過，應該都能舉出一些例子。比如說話要靠近，發(fā)音要標準，環(huán)境要安靜，不能持續(xù)對話，不能打斷等。
不只是語音，包括圖像、障礙物檢測等技術，都會遇到這樣的問題，比如人臉的識別，對光線、角度、距離都有一定的要求。歸結為一點就是，當前人機交互在復雜環(huán)境的自適應性方面，還有很多問題需要解決。這還只是感知層面，另外還包括認知層面，AI目前還不如我們想象的這么聰明，目前不能完全自主學習，仍然需要人的介入，比如知識庫的導入，機器行為的糾正等，都需要人的參與。
當前的人機交互產品，在真正面對用戶時，在面對復雜環(huán)境時，魯棒性還不夠好。今天的分享，我們一起探討如何解決這些問題，不管是通過算法，還是工程，抑或產品，都是我們可以選擇的途徑。
大家首先要有個共識，人機交互目前所面臨的問題，不是一朝一夕，一蹴而就能解決的，需要在各個方向在核心技術上不斷進步。
科大訊飛AIUI是怎么做的?
AIUI作為人機智能交互界面，旨在實現(xiàn)人機之間交互無障礙，使人與機器之間的交流，像人與人一樣，可以通過語音、圖像、手勢等自然交互的方式，進行持續(xù)，雙向，自然地溝通。 它由一套由云和客戶端相結合服務框架構成，包括音視頻前端信號處理、云+端相配合交互引擎、內容和知識平臺以及接口、用戶個性化系統(tǒng)等。平臺具備開放性，第三方可進行靈活配置、業(yè)務擴展、內容對接等。
以前的語音交互產品，包括訊飛在內，大家提供的都是單點的能力，比如語音合成、語音喚醒、語音識別、語義理解，另外還有人臉識別、聲紋識別等。大家拿到這么多產品和能力，需要花很大的工作量，去開發(fā)人機交互功能。
這種方式問題比較明顯：
一方面是產品集成的工作量太大，造成很多中小開發(fā)者無力去承擔這部分工作量;
另外就是因為交互流程太長，細節(jié)不好處理，造成各家產品的交互體驗參差不齊。
所以AIUI交互方案首先要解決的就是這個問題。 AIUI是把麥克風陣列、前端聲學處理、語音喚醒、端點檢測、語音識別、語義理解、語音合成等技術在整個交互鏈上進行深度融合的系統(tǒng)。
而且AIUI還支持了全雙工、多輪交互等新特性，并在單點技術上進行突破和演進，包括聲源定位與追蹤、持續(xù)在線，有效人聲智能檢測、基于用戶意圖的動態(tài)語音端點檢測、支持上下文交互的語義理解、基于對話場景自適應的語音識別等。
科普：語音交互的過程
首先，人機之間的語音交互(這里主要指智能硬件、機器人等)，區(qū)別于傳統(tǒng)的有屏手持設備，在傳統(tǒng)的語音交互中，因為是近場，語音信號質量相對較高，而且有觸摸屏輔助，所以交互鏈路可以相對簡單。 通過點擊屏幕觸發(fā)，再通過點擊屏幕或者能量VAD檢測，來結束語音信號采集，即可完成一次交互，整個過程通過語音識別、語義理解、語音合成即可完成。