融合必然是未來人機(jī)交互的趨勢(shì)。
以AIUI為例，在定義之初，就沒有把語音作為唯一的交互方式，而是把它設(shè)想為結(jié)合了人臉、人體追蹤、手勢(shì)、紅外等多種方式為一體的人機(jī)交互解決方案。
我們也在不斷的嘗試把語音和其他方式相結(jié)合，比如我們現(xiàn)在已經(jīng)上線的人臉、聲紋融合身份驗(yàn)證，即是最直接的例子，通過這種方式將能夠有效解決用戶的身份認(rèn)證問題。
在AIUI中，也有很多的場(chǎng)景需要借助于不同方式來相互配合。舉個(gè)例子，在AIUI中，為解決遠(yuǎn)場(chǎng)的持續(xù)交互，使用了麥克風(fēng)陣列，采用定向拾音的方式來解決這個(gè)問題，但是由于定向拾音的角度有限，造成持續(xù)交互過程中，說話人的移動(dòng)成為問題，這個(gè)時(shí)候，就需要有移動(dòng)的聲源定位和追蹤，簡(jiǎn)單依靠聲音的辨識(shí)和追蹤，很難有效解決這個(gè)問題，這個(gè)時(shí)候如果能結(jié)合人體的追蹤，比如圖像和紅外手段，將可以進(jìn)一步降低出錯(cuò)概率。其他的場(chǎng)景還有人的年齡、性別等屬性識(shí)別，如果采用圖像、聲音相結(jié)合方式，將可以極高提升精準(zhǔn)度，提升機(jī)器的感知能力，AI也將更加智能。