BT

如何利用碎片时间提升技术认知与能力? 点击获取答案

智能语音技术,让我们“动口不动手”

| 作者 薛梁 关注 1 他的粉丝 发布于 2015年11月3日. 估计阅读时间: 9 分钟 | 如何结合区块链技术,帮助企业降本增效?让我们深度了解几个成功的案例。

随着移动互联网的大规模爆发,作为主要载体的智能手机在打字输入方面越来越依赖语音输入,而语音识别技术也逐渐变成了必需品。在百度,语音识别技术早已纳入需求向服务转变的进程中,其实百度语音技术就在我们身边:搜索、地图、应用、音乐、浏览器等领域无处不彰显语音技术的风采,也是它让我们进入了“动口不动手”的时代。

就在上周六(10月31日)以“智能语音技术,简化你我日常生活”为主题的百度技术沙龙活动中,来自百度开发者中心的语音专家就分享了百度在智能语音上的相关成果和进展。演讲嘉宾分别是百度语音技术部高级项目经理关勇、语音开放平台首席产品经理穆向禹和百度开发者平台高级产品设计师董经纬。

百度语音技术及最新进展

百度语音部门成立于2010年,在2013年的时候已经展现出了从无到有的华丽转变,硕果累累。现已在行业里取得了不错的成果,正如关勇所说,百度在做技术的同时,不仅服务于自己的产品和应用,还会把一些比较特殊的技术开放出来,供广大开发者分享、使用、协作。实际上,智能语音技术最关键的两点是语音识别技术和语音合成技术。识别技术即:将声音转化为文字,让应用长上耳朵;合成技术即:将文字转化为声音,让应用开口说话。

目前百度语音采取的语音识别技术主要是场景化识别,自选语言模型:这其中的细节包括:长文本语音输入、短语热词识别、交互式对话垂直领域识别、语音纠错技术。正是基于这些技术,百度语音的识别功能已经在业界有了一定的领先地位,主要体现在这些方面:

  • 数万小时的声学训练语料,百度搜索引擎技术积累的海量文本语料。
  • 更精准的基于听觉感知DNN声学建模技术,更高的识别率。
  • 线上语言模型体积100GB-1TB,更广泛的语言覆盖范围。
  • 小时级别的海量语言模型动态更新,更快追踪热词。
  • 高速动态WFST一遍解码技术,中国最快的语音输入法产品技术。

百度语音首席架构师贾磊在刚刚进行的第十三届全国人机语音通讯学术会议上做的专题报告,详细介绍了百度在语音识别技术上的最新进展,即LSTM建模和CTC训练在语音建模技术中的应用,将通用文本安静环境普通话识别率提升到接近97%。总的来说,百度的语音技术已经达到了国际领先水平,在识别率上超过相同竞争产品。

在语音合成技术方面,百度在海量文本信息处理技术,基于LSTM的韵律建模技术,基于LSTM的声学参数建模技术,基于大规模录音语料智能弹性单元挑选技术等方面取得了重要突破,完成了业界领先的拼接合成和参数合成系统,并提供完美体验的离在线融合语音合成服务解决方案。

百度语音合成技术最新推出了基于大数据的情感语音合成技术,让声音合成摆脱平铺直叙,使用户体会更自然的发音,更丰富的情感和更强大的表现力,在沙龙演示的情感语音合成,引起开发者的热烈反响和浓厚兴趣。目前该技术已经在百度小说频道上线,用户可以在wifi环境下体会在线情感男声的小说播报。目前的最新进展还体现在车载场景语音交互应用Carlife上,这里面用到的技术点包括:麦克风阵列及信号处理技术、世界领先的基于人类听觉的CNN+DNN+LSTM语音识别技术、成熟的handfree唤醒技术、场景深度优化技术、 电话号码和音乐信息智能纠错技术和基于用户信息的个性化识别技术等等。

百度语音在车载、家居、手机等方向的解决方案

技术的意义在于将需求与服务连接起来,而产品则是连接人与服务的最终介质。百度语音开放平台首席产品经理穆向禹现场介绍了百度语音技术的应用场景和解决方案。这里面首先要提出的是百度语音平台的开放性,包括免费的技术解决方案、分享厂商解决方案和个性化定制内容。

语音平台的开放接入形式有很多种,例如REST API方式接入——百度语音自主研发的语音识别技术API调用方式,采用http方式请求,适用于任何平台的开发者进行语音应用的开放;支持语音识别+语音合成接入;支持整段录音文件识别;支持pcm、wav、opus、speex、amr、x-flac几种语音格式的接入。此外还有SDK接入方式——支持纯在线和离在线两种接入形式;支持Android和iOS系统;支持多个垂直类优化识别;支持用户指令定制化识别等等。

另一个能够体现百度语音平台开放特征的现象是为不同行业的企业和个人用户提供优质的语音服务,这些企业包括联想、中兴、特斯拉、现代、比亚迪、海尔、索尼和小米等等厂商。尤其是在车载和家居两大块,穆向禹着重以此为案例做了分析。百度语音技术在车载方面做了这么几件事情。第一是为车载重点优化语音唤醒,不但降低了功耗,还提升了稳定性和准确性。第二是在应用端增加多信号处理技术,针对不同的场景进行深度优化。其实在车载领域,百度对外开放的技术点还包括图像、大数据、地图以及相关的一些技术分支,和更多的开发者共同打造一个车载环境。语音在这一环节里起到的是入口作用。

在智能家居领域,百度语音的应用场景也很广泛。在智能电视方面有完整的基于MCU和ARM的解决方案,可以通过在遥控器上安装自己开发的UI的方式,或者用手机离在线方案来控制一台电视机。除此之外,百度语音技术团队的目标是在明年把语音技术做到更加极致,不仅要满足人们对洗衣机、冰箱这样的传统家居的智能化需求,还要做成一个智能生态圈,提供更多的解决方案。

在未来,百度平台将会开放更多的技术和应用,包括支持识别方言功能,增加更多的车载应用,增加多轮交互,声纹识别,个性化TTS和音频检索等功能。

怎样从百度获得更多分发和收入

百度基于庞大的用户基数和牢固的市场地位,在应用分发上有很强大的优势,正如百度开发者平台高级产品设计师董经纬所言,百度分发量的领跑优势已经持续两年了,但其中的问题也开始慢慢显现出来——分发量越高,意味着需要承担更高的成本。这个时候就陷入一个怪圈:百度为什么要做分发?做分发是为了养用户,养用户是干什么用的?没有用户哪来的分发?这种“为了分发而分发”的模式,没能为百度带来更多的实际价值。

如何解决这个问题呢?生态!董经纬强调说,百度要想从分发上得到更多的好处,生态是很好的出路。提到生态,不得不讲明这其中的三个误区。误区一:生态=赔本赚吆喝。平台不可能“只投入,不产出”。误区二:生态要由开发者买单。生态服务可替代性强,收费潜力有限,何况大部分开发者入不敷出。误区三:生态只能降低开发成本。那么,如何用正确的姿态玩生态呢?对百度而言,要让每一次分发对百度产生用户价值以外的意义,例如:数据、分发量、收入;对开发者而言,在通过使用生态服务降低开发成本的同时,还要能获得分发量、额外收入。具体的落地形式包括:应用内容前置、生态SDK统一、前向付费尝试。

应用内容前置,是指百度提供内容对接方案,允许开发者挖掘应用特色信息,自助完成内容对接;百度将优先、集中展示对接应用,给开发者带来分发量和特色信息的曝光。生态SDK一站接入,是指“一个平台:app.baidu.com”和“一次SDK接入”,让开发者可以快速接入、使用多种SDK,并因此得到分发量上的合作加权,这迅速提高了百度生态SDK的市场覆盖率。前向付费尝试,是指百度将提供多种形态的支付场景,开发者可以选择接入,降低开发者自行尝试用户付费模式的试错成本,毕竟离开钱,就不会有生态。

最后,董经纬讲到了分发平台寡头化的影响。分发市场从早期的群雄逐鹿,到现在的鼎足而三,寡头化缩小了用户下载应用的选择范围,从而让“独家应用”的出现成为了可能——在应用市场同质化严重的今天,应用内容的差异化也许将成为各方角逐的下一个焦点。

在最后的环节里,百度开发者中心语音开发创新大赛的总负责人辛宇给在场的听众介绍了大赛相关流程和细节,并邀请了本次参赛者宋乐展示了他的参赛作品。想要了解更多语音创新大赛可以点击链接:百度语音开发大赛

评价本文

专业度
风格

您好,朋友!

您需要 注册一个InfoQ账号 或者 才能进行评论。在您完成注册后还需要进行一些设置。

获得来自InfoQ的更多体验。

告诉我们您的想法

允许的HTML标签: a,b,br,blockquote,i,li,pre,u,ul,p

当有人回复此评论时请E-mail通知我
社区评论

允许的HTML标签: a,b,br,blockquote,i,li,pre,u,ul,p

当有人回复此评论时请E-mail通知我

允许的HTML标签: a,b,br,blockquote,i,li,pre,u,ul,p

当有人回复此评论时请E-mail通知我

讨论

登陆InfoQ,与你最关心的话题互动。


找回密码....

Follow

关注你最喜爱的话题和作者

快速浏览网站内你所感兴趣话题的精选内容。

Like

内容自由定制

选择想要阅读的主题和喜爱的作者定制自己的新闻源。

Notifications

获取更新

设置通知机制以获取内容更新对您而言是否重要

BT