當前位置:首頁 >  科技 >  IT業(yè)界 >  正文

百度AI賦能羅技背后,語音輸入產(chǎn)業(yè)走過的長征路

 2021-04-14 18:13  來源: A5專欄   我來投稿 撤稿糾錯

  域名預(yù)訂/競價,好“米”不錯過

羅技和百度AI這對跨界組合,正在重新定義語音輸入。

4月13日,全球著名云周邊設(shè)備供應(yīng)商羅技推出了一款“語音鼠標”,在百度AI的優(yōu)先賦能下,用戶點擊鼠標上的語音鍵就能進行語音輸入,不僅在PC端實現(xiàn)了中英文自由夾雜語音輸入,還可以實時進行多種語言的語音翻譯。

其實類似的概念并非是羅技首創(chuàng)。早在兩年多前就出現(xiàn)了主打“語音輸入”的鍵鼠類產(chǎn)品,諸如“智能鼠標”的概念也被多家品牌借用,但無一成為現(xiàn)象級的爆款產(chǎn)品,PC端語音輸入的用戶習慣也無從談起。

百度AI為何要在這個時候進行跨界,并選擇牽手羅技這樣的市場領(lǐng)導(dǎo)者,背后到底隱藏了什么樣的野心?

01 知易行難的語音輸入

人類對語音輸入似乎有著天生的執(zhí)念。

早在2000年前后,個人電腦還屬于少數(shù)人的玩物,IBM推出的軟件工具ViaVoice就開始風靡全球。按照IBM的設(shè)想,ViaVoice將在人與機器之間擔當“翻譯”,只要一句話就能編排文本格式、控制桌面、操作程序、發(fā)送Email……

雖然IBM解放雙手的革命未能如愿,卻為整整一代人種下了“動口不動手”的交互理念。比如在2018年的時候,羅永浩推出了宣稱是“下一代個人電腦”的TNT,試圖將IBM講述的“美麗童話”從傳說變成現(xiàn)實。遺憾的是,老羅的TNT乃至后面推出的“智能鼠標”,都和ViaVoice一樣成了被懷舊的對象。

為何語音輸入一度成了懸而未決的世紀難題?可以找到三個直接相關(guān)的痛點。

一是連續(xù)語音輸入的“尷尬”。

語音輸入并非沒有落地的場景,和智能音箱的語音交互、聊天時的語音識別等等,可以說是屢見不鮮的場景,然而切換到辦公時長篇幅的連續(xù)輸入,現(xiàn)有的語音識別模型常常出現(xiàn)“宕機”的問題。

時間追溯2015年,注意力模型已經(jīng)是語音識別的主流技術(shù),在語音識別的準確率方面有了突破性的進展,但注意力模型大多是基于整句的建模,通過機器學(xué)習選擇和當前建模單元最匹配的特征,導(dǎo)致句子越長識別難度就越大,出錯的概率也就越高,同時還伴隨著較長的用戶等待時間。

二是遠場語音識別的不足。

網(wǎng)上流傳著使用TNT工作站的段子:想要在辦公室里用語音操作TNT,先要提前喊一聲“安靜”,讓周邊的同事自動進入到消聲狀態(tài),不然TNT可能不知道是誰在說話,語音識別的準確率讓人堪憂。

背后牽涉到的是遠場語音識別技術(shù),如果目標聲源距離拾音器比較遠,將導(dǎo)致目標信號衰減嚴重,加上嘈雜的外部環(huán)境制造了太多的干擾信號,最終導(dǎo)致信噪比較低、語音識別性能比較差。我們已經(jīng)習慣在手機上對著麥克風說話,但不可能以趴在電腦上的姿勢對著屏幕進行語音輸入。

三是語言混合輸入的難題。

即使不考慮長句子連續(xù)輸入和遠場識別的問題,日益進化的語言習慣也一度制約語音輸入的普及。就像很多人在工作中常常出現(xiàn)中英詞匯混用的情況,或者有時候飚一句方言,都可能難倒識別工具。

盡管一些語音識別工具推出了多種語言的識別模型,可在過去很長一段時間里,需要用戶先手動切換至想要識別的語言,比如你想要用四川話進行語音輸入,先要到輸入法的設(shè)置中將語言設(shè)定為四川話,說普通話的時候再去切換回來。不僅進一步增加了用戶的學(xué)習成本,體驗也不盡如人意。

在種種待解痛點的制約下,語音輸入的想象固然美好,但前提是進行一場技術(shù)上的長征??梢宰糇C的是,微軟剛剛以197億美元的價格收購了Siri背后的語音技術(shù)玩家Nuance,計劃將Nuance的語音識別技術(shù)和旗下其他產(chǎn)品整合,以接棒在技術(shù)和場景上落后而被迫默默退場的Cortana。

02 百度AI的三步走戰(zhàn)略

而在語音技術(shù)的賽道上,百度已經(jīng)奔跑了十年。

2010年百度正式成立了語音團隊,主要研發(fā)百度語音識別、語音合成等在內(nèi)的一系列核心技術(shù),并逐步將百度的語音技術(shù)應(yīng)用于小度智能音箱、百度輸入法、小度車載助手、百度智能語音呼叫中心等產(chǎn)品。

不過在PC端語音輸入的話題上,百度AI在很長時間里并未追逐“智能硬件”的風口,默默制定了語音技術(shù)的三步走戰(zhàn)略:

第一階段,語音識別算法的持續(xù)打磨。

為了解決連續(xù)語音輸入的痛點,百度AI的工程師們在注意力模型的基礎(chǔ)上,創(chuàng)新性地提出了流式多級截斷注意力模型SMLTA,利用CTC算法對連續(xù)語音流進行截斷,然后對每一個小段的語音進行建模,把原來整句的建模,變成了局部語音小段的建模。這樣用戶話音一落就可以拿到識別結(jié)果,保證了最佳的用戶體驗。

同時百度AI還針對語言混合輸入進行了算法優(yōu)化,羅技推出的“語音鼠標”VOICE M380就支持8種語言的語音翻譯,首次通過羅技鼠標在PC上實現(xiàn)了中英文自由夾雜語音輸入,以及粵語、四川話、東北話、河南話等7種方言免切換混合輸入。

第二階段,一體化的端到端建模技術(shù)。

市場上常見的遠場語音識別技術(shù),往往將麥克風陣列作為拾音器,然后利用多通道語音信號處理技術(shù)增強目標信號。這種先語音增強后語音識別的思路,在一定程度上提高了識別的準確率,但增強目標和優(yōu)化目標可能并不一致。

百度AI的思路是“語音增強和語音聲學(xué)建模一體化”的端到端建模,并提出了基于復(fù)數(shù)CNN的遠場端到端建模方案,利用復(fù)數(shù)CNN 網(wǎng)絡(luò)挖掘生理信號本質(zhì)特征的特點,直接對原始的多通道語音信號進行多尺度多層次的信息抽取,避免了由于定位出錯而導(dǎo)致識別準確率急劇下降的問題,最終遠場語音識別的錯誤率降低了30%以上。

第三階段,自研芯片加速產(chǎn)業(yè)化落地。

語音輸入的隱形制約還有算力和功耗。在語音技術(shù)從云端競爭向芯片端延伸的趨勢下,算力直接關(guān)系著用戶體驗,但傳統(tǒng)芯片的平均功耗在1W以上,算力和功耗的兩難,進一步制約了語音輸入的應(yīng)用場景。

在提出端到端的一體化方案后,百度AI將目光瞄向了芯片端。在2019年發(fā)布了首款針對遠場語音交互研發(fā)的鴻鵠芯片,通過端到端的軟硬一體化框架,將所有語音交互任務(wù)集中到一顆低功耗語音交互芯片上,提取的語音特征直接在云端進行高精準識別。目前鴻鵠芯片的平均功耗只有100mw,完全滿足3C產(chǎn)品0.5W的待機標準。

和智能語音同時進化的,還有百度AI的機器翻譯,過去十年中在大規(guī)模產(chǎn)業(yè)化機器翻譯模型、海量翻譯知識獲取、多語言翻譯統(tǒng)一框架、機器同聲傳譯等方面進行了系統(tǒng)而深入的研究。特別是基于神經(jīng)網(wǎng)絡(luò)的多語言翻譯統(tǒng)一框架,在全世界范圍內(nèi)首次實現(xiàn)了203種語言的互譯。

百度AI圍繞智能語音和機器翻譯的戰(zhàn)略布局佐證了這樣一個事實:技術(shù)賽道并非是閉門造車,百度AI對羅技的優(yōu)先賦能,正是精準把握產(chǎn)業(yè)化需求的體現(xiàn)。

03 產(chǎn)業(yè)化的大航海時代

消除了用戶體驗上的痛點,百度AI開啟了語音技術(shù)的產(chǎn)業(yè)化進程。

百度AI和羅技跨界推出主打語音技術(shù)的“鼠標”,不失為一次有示范效應(yīng)的練兵。正如前面所提到的,從IBM的ViaVoice開始算起,語音輸入在PC上的應(yīng)用已經(jīng)持續(xù)了20多年,期間誕生了形形色色的軟硬件產(chǎn)品,但未能改變“鍵鼠”的市場地位,大多數(shù)新奇的產(chǎn)品最終被人們選擇性遺忘。

百度AI和羅技則為語音輸入開啟新的篇章。

一方面,目前百度AI的中文語音識別率已經(jīng)達到98.6%,背后是人機交互效率的再次刷新。比如大多數(shù)打字員每分鐘輸入的字數(shù)在80到200之間,而百度AI的語音輸入在實驗室環(huán)境中可以達到每分鐘400字,何況語音輸入的門檻相對更低,小孩子、老人、視覺障礙人群等特殊人群也可以使用,人機交互的成本和效率都在被拉平。

另一方面,百度AI和羅技的跨界為語音輸入找到了新的應(yīng)用場景:除了單純的文字輸入場景外,還可以用于會議、演講、采訪等場景下的文字記錄;語音翻譯功能緊緊貼合了當前辦公場景中,和外國同事、客戶等跨語言溝通交流的需求……相較于20多年前替代鍵盤的單一訴求,語音輸入的價值正越來越多元,應(yīng)用場景也越來越廣泛。

進一步深挖的話,百度AI和羅技的跨界不僅為語音輸入的“夢想”畫了一個句號,正式推出的“語音輸入服務(wù)”,也為智能語音的產(chǎn)業(yè)化提供了新的思路。

語音技術(shù)之所以被頻頻聚焦,原因在于語音正在逐步改變固有的人機交互習慣,并且已經(jīng)在家庭、車載等場景中被驗證。正如鼠標、觸摸屏等曾經(jīng)引發(fā)的浪潮,語音交互大概率將催生出新的生態(tài),而那些無法適應(yīng)新趨勢及時迭代進化的產(chǎn)品,不排除一步步被市場所淘汰的可能。

于是“+AI”漸漸成了行業(yè)的熱門話題,幾乎所有的行業(yè)都在思考利用AI降本增效或轉(zhuǎn)型升級。百度代表的人工智能領(lǐng)頭羊也逐漸意識到:人工智能的使命不是顛覆或重構(gòu)一個行業(yè),而是幫助行業(yè)找尋新的增長動能。

對應(yīng)的動作就是百度大腦在6.0時的升級,作為百度AI多年技術(shù)積累和產(chǎn)業(yè)實踐的集大成,百度大腦被定義為中國智能經(jīng)濟的基座,試圖通過軟硬一體的能力輸出,避免合作伙伴們一次次重復(fù)造輪子。其中語音能力恰是百度大腦的核心優(yōu)勢之一,每天的調(diào)用量早已超過155億次。

百度AI對羅技軟硬一體的優(yōu)先賦能,和百度大腦加速產(chǎn)業(yè)智能化升級的戰(zhàn)略不無關(guān)系。不同于行業(yè)中常見的兜售算法形式的合作,百度AI針對羅技桌面級的場景進行了單獨的優(yōu)化和適配,并選擇以軟硬一體的方式幫助羅技打造真正的殺手級產(chǎn)品,在產(chǎn)品力和用戶體驗上形成獨一無二的技術(shù)壁壘。

而當羅技這樣的行業(yè)領(lǐng)導(dǎo)者主動擁抱百度AI,也在某種程度上預(yù)示著智能語音的產(chǎn)業(yè)化開始進入大航海時代。

04 寫在最后

百度AI x 羅技的范式,為智能語音的落地撕開了一道口子。

可以預(yù)見的是,鼠標絕不會是二者跨界的唯一產(chǎn)品,后續(xù)百度AI的智能語音將逐步兼容更多的羅技產(chǎn)品;同時羅技也不會是唯一加入到“+AI”行列的品牌,語音技術(shù)在各行各業(yè)的應(yīng)用落地進程正在加速。

借用一句古話來說:“舊時王謝堂前燕,飛入尋常百姓家”。在百度AI持續(xù)對外賦能的姿態(tài)下,我們的生活正逐步被AI改變。

申請創(chuàng)業(yè)報道,分享創(chuàng)業(yè)好點子。點擊此處,共同探討創(chuàng)業(yè)新機遇!

相關(guān)標簽
智能語音
ai技術(shù)

相關(guān)文章

  • 盤古大模型,不一樣的「煙火氣」

    文/八真出品/節(jié)點商業(yè)組2023年已過半,但AI大模型依舊熱的發(fā)燙??萍疾啃乱淮斯ぶ悄馨l(fā)展研究中心的《中國人工智能大模型地圖研究報告》顯示,迄今為止,中國已發(fā)布79個10億參數(shù)規(guī)模以上的大模型。與此同時,伴隨著越來越多的選手謀局落子和下場奪舍,把這場摧枯拉朽的科技盛典推向高潮,更多人開始思考,AI

    標簽:
    ai技術(shù)
  • PRINS.AI榮獲2023SAIL之星

    PRINS平臺被世界人工智能大會授予2023年人工智能行業(yè)著名的SAIL之星。這證明了公司在AI人工智能方面所做的努力。PRINS(PRINSAITechnologyLtd)是一家專注于虛擬體驗技術(shù)解決方案的技術(shù)公司,由人工智能研究人員和技術(shù)專家組成的核心團隊創(chuàng)立。目前已獲得多家知名投資機構(gòu)的投資,

    標簽:
    ai技術(shù)
  • AI+軟件,為什么可以看多用友?

    文/七公出品/節(jié)點商業(yè)組2023年,“ChatGPT”的問世讓人工智能(AI)空前興奮和繁盛。有人高呼這是“iPhone時刻”,有人振臂這是第四次工業(yè)革命,也有人驚嘆這是新一代的“火”和“電”??偠灾?,這場史無前例的大變革,正在復(fù)刻2015年前后的“互聯(lián)網(wǎng)+”行情,推動“AI+”成為未來十幾年的發(fā)

    標簽:
    ai技術(shù)
  • 匯聚中國AI頂尖力量 云天勵飛參與華為AI大模型聯(lián)合創(chuàng)新

    2023年7月6日,第六屆世界人工智能大會(WAIC2023)在上海開幕,“人工智能大模型”是本屆大會的備受矚目的話題,據(jù)悉,在昇騰AI大模型的創(chuàng)新研發(fā)中,華為聯(lián)手26家行業(yè)領(lǐng)軍企業(yè),組建了一支協(xié)同創(chuàng)新的“AI明星隊”,云天勵飛作為中國人工智能企業(yè)的杰出代表,和互聯(lián)網(wǎng)大廠、運營商、科研院所等優(yōu)秀團隊

    標簽:
    ai技術(shù)
  • 用友大易:邁入AI招聘2.0時代,讓人力資源回歸本質(zhì)

    這幾個月來,以ChatGPT為代表的生成式AI展現(xiàn)出的能力令世界驚嘆。自從2016年AlphaGo戰(zhàn)勝李世石掀起了一波AI浪潮后,AI仿佛已經(jīng)沉寂了很久,ChatGPT的橫空出世就如同一束耀眼的光芒,讓AI這個名詞重回C位。過去在AI1.0時代,主要通過訓(xùn)練模型來實現(xiàn)圖像識別、聲音識別、語言處理等特

    標簽:
    ai技術(shù)

熱門排行

信息推薦