今年以來，隨著人工智能和機器人技術(shù)的發(fā)展，智能語音行業(yè)迎來了一個爆發(fā)式的增長。最明顯的趨勢就是，做語義分析的公司越來越多，而且行業(yè)越來越細(xì)分，其中兒童市場和車載市場的語音解決方案也隨之興起。作為國內(nèi)最大的智能語音廠商，科大訊飛發(fā)布了一整套的語音交互解決方案AIUI�？拼笥嶏w將AIUI定義為物聯(lián)網(wǎng)時代的人機交互標(biāo)準(zhǔn)，AIUI集成了科大訊飛在雙全工技術(shù)、麥克風(fēng)陣列技術(shù)、聲紋識別技術(shù)、方言識別、語義理解技術(shù)和內(nèi)容服務(wù)等技術(shù)和服務(wù)。該技術(shù)的核心是智能化的多輪對話管理和上下文理解。

　　近日，科大訊飛語音云平臺的副總經(jīng)理馬漢君接受了網(wǎng)易科技的獨家專訪。作為AIUI的負(fù)責(zé)人，馬漢君闡述了對語音、語言、語義的技術(shù)解決方案有著深刻的理解，以及對國內(nèi)智能語音市場的變化和今年的趨勢的看法。

馬漢君在網(wǎng)易未來科技峰會上發(fā)言

　　以下為采訪實錄（由網(wǎng)易科技整理）：

　　馬漢君：訊飛希望打造一套語音交互的標(biāo)準(zhǔn)，在這套模式中，我們把科大訊飛的語音識別、對語音的思考理解貫穿起來，AIUI就是一套軟硬一體的模塊方案。針對于聊天機器人，我們可以去做聊天機器人的場景定制，可以做一些智能家居的服務(wù)的定制。但是不管是怎樣的模式，這些交互的程序，我們會把它固定下來。這種固定的交互模式比如說，AIUI是隨時在錄音的，你可以隨時將它喚醒等等。當(dāng)然，有些特性會開放，比如語音喚醒詞、視頻通話等等，方便用戶自己定制。

　　不管是家庭的機器人，還是家庭智能設(shè)備，車載智能設(shè)備，AIUI能解決企業(yè)與客戶之間的交互問題。AIUI不是一個系統(tǒng)，而是一套交互的解決方案。

　　馬漢君：AIUI是一套語音集成的解決方案，DingDong平臺是從音樂本身的內(nèi)容來做運營，從家居廠商的合作去拓展。前者是橫向的方案，后者是縱向的拓展平臺。

　　馬漢君：AIUI肯定是要融入到目前的系統(tǒng)上面的，例如Android系統(tǒng)、Windows系統(tǒng)等等，成為系統(tǒng)本身的一部分。

　　AIUI對于硬件的需求，首先是噪音環(huán)境的問題，這一點上就需要硬件上必須有麥克風(fēng)陣列。系統(tǒng)方面，AIUI對運算能力有一定需求，也就是對CPU和GPU有一定要求。具體的我們會給出一套方案來，按照我們給出的參考來進(jìn)行硬件設(shè)計，以便更好的進(jìn)行降噪拾音。目前看來，AIUI只支持Android系統(tǒng)。就像游戲引擎對顯卡的邀請，AIUI也會對硬件有一定要求。

　　訊飛自己的產(chǎn)品會打造一些標(biāo)桿，比如訊飛與京東合作開發(fā)的DingDong音箱，我們會把它做成家庭應(yīng)用場景中的標(biāo)桿。在車載交互上也會與合作伙伴共同開發(fā)打造標(biāo)桿型的產(chǎn)品。在兒童機器人、家庭機器人等領(lǐng)域我們會挑選一個戰(zhàn)略合作伙伴。在教育領(lǐng)域我們要做全行業(yè)的教育解決方案。而在某些領(lǐng)域我們只作為一個技術(shù)方案提供方，我們會把我們的技術(shù)向合作方的合作領(lǐng)域提供。

　　馬漢君：訊飛會在很多的服務(wù)領(lǐng)域去拓展，在不同的領(lǐng)域有不同的定位。在家庭領(lǐng)域，訊飛與京東合作打造了DingDong音箱，這是一個標(biāo)桿型的產(chǎn)品。在教育領(lǐng)域，訊飛會做深度的教育解決方案。在車載交互、機器人、其他智能硬件上面，訊飛提供底層的技術(shù)，通過與合作廠商的合作深耕這一領(lǐng)域。我們是與行業(yè)廠商一起合作來構(gòu)建一個市場。

　　馬漢君：關(guān)于合作，訊飛會關(guān)注一些普適性的數(shù)據(jù)。舉個例子來說，比如音樂數(shù)據(jù)，這個數(shù)據(jù)不管是在智能家居、機器人，還是手機APP上，都有它的價值。在類似這些普適性的數(shù)據(jù)上，訊飛要做深做透。對于一些特定的行業(yè)才會使用的數(shù)據(jù)，比如說運營商，就需要運營商服務(wù)的業(yè)務(wù)留存數(shù)據(jù)，這方面我們必須選擇與大的運營商進(jìn)行深度合作，運營商一定有一些深度的想法，這就需要雙方深度的合作。所以說，特定的行業(yè)更具特定行業(yè)的訴求來具體探討。

　　對于用戶的數(shù)據(jù)來說，訊飛是與合作伙伴共享的。即使有一些用戶數(shù)據(jù)會留存在訊飛的平臺上，也不會提供給第三方，而是會與合作伙伴共同決定是否進(jìn)行深度開發(fā)。在此前提下，訊飛對于用戶的數(shù)據(jù)只會用來做語音的優(yōu)化。比如說訊飛與音樂平臺合作語音搜歌，那么用戶對于音樂的喜好這些數(shù)據(jù)要不要進(jìn)一步往電商去探索，需要兩方共同決定。

　　馬漢君：從語音識別上看，在發(fā)音相對標(biāo)準(zhǔn)的情況下，識別的精準(zhǔn)度已經(jīng)很不錯了。但是從實際交互的層面說，智能語音識別需要結(jié)合你的實際情況，甚至要結(jié)合上下文的語境，這個識別才能進(jìn)一步的去提升。所以語音識別與語義理解是分不開的，還有與用戶個性化數(shù)據(jù)的結(jié)合等方面。

　　馬漢君：競爭肯定是存在的。今年，做語音識別的公司沒有增加，但是做語義分析的公司增加了很多。這里有兩個原因，語音識別上還是涉及到一些深度領(lǐng)域的知識，技術(shù)門檻比較高，需要技術(shù)沉淀。另外一個很重要的原因就是深度學(xué)習(xí)之后，將語義分析的門檻降低了很多，通過數(shù)據(jù)、模型、訓(xùn)練三個步驟，很快能得到一個不錯的細(xì)分領(lǐng)域語義分析解決方案。但是語義這個東西往深做的時候，對你原有的技術(shù)沉淀積累要求很高，而且這個事情本來就是一個長跑的競爭。我們可以把語義分析這個事情形容是一個球隊，當(dāng)門檻降低了以后，很多業(yè)余的比賽是看不出差異性的，只有到了高度協(xié)同和對抗的時候才會顯出更好的專業(yè)性。目前的很多語義公司，他們可能會專注某一個領(lǐng)域去做，但是真正到了成熟的時候，還是要依靠整體的專業(yè)性解決問題。

　　馬漢君：是的。所以訊飛和其他的NLP自然語言理解的公司并不是競爭的關(guān)系。大家都會選一個具體的領(lǐng)域，在這個領(lǐng)域中看看誰能最先做透。當(dāng)大家做的領(lǐng)域足夠多，這個領(lǐng)域才會慢慢起來。

　　訊飛在切蛋糕的時候，還是聚焦在服務(wù)的需求上。我們可以把智能語音分為兩類，一類是閑聊，另一類是服務(wù)。服務(wù)的需求就是車載導(dǎo)航、打電話、聽音樂、導(dǎo)購咨詢、簡單信息互動。

　　目前的語義理解，還是以單句的形式，但是語義理解有時候必須知道你的上下文信息。所以，這方面大家在用深度學(xué)習(xí)來做一些突破。所以我認(rèn)為，對于NLP來說，大家目前是剛剛找到突破口，還需要快速成長，預(yù)計在兩三年以后NLP這方面會有一個明顯的質(zhì)變。

　　馬漢君：做機器人這個方向是比較明確。舉個例子來說，大家目前不清楚自己是要做商用服務(wù)還是家庭服務(wù)，這是兩個比較大的不同選擇。如果我面向的是兒童教育，但是在兒童教育領(lǐng)域，到底哪一個方向會產(chǎn)生比較清晰的路線，是兒童，還是情感，還是老年陪護(hù)，這些有很多公司探索，但是我們并不明白到底哪一塊是最有前景的路。

　　那就需要去做前期的擴(kuò)張，然后對用戶數(shù)據(jù)進(jìn)行快速沉淀分析，然后再決定朝哪個方向發(fā)展。在沉淀的過程中，訊飛對合作廠商來說可能更多的是一種助力的角色。更多的是要機器人廠商去做，找到用戶的剛需等等。但是，在這個過程中，需要依賴交互的完善以及用戶需求的挖掘。

　　馬漢君：先看兒童市場。兒童市場上玩具的量是很大的，這其中包括可以語音講故事的玩具。所以說，今年兒童市場的趨勢可能是玩具更加高端化，產(chǎn)品上是玩具機器人這樣一個形態(tài)，如果找到一個合理價格的結(jié)合點，這個市場很快會出現(xiàn)爆發(fā)。所以說兒童這個市場還是有很大的空間的，一個就是娛樂互動，一個是早期教育。從中國的家庭環(huán)境上來說，這個意愿或者是說用戶需求還是蠻大的。但與此同時，這里邊還有很多的問題，一個就是內(nèi)容，你的機器人是否能形成體系化的內(nèi)容，是否能吸引兒童的興趣。另外一個方面在交互上，兒童的挑戰(zhàn)很大，因為兒童的語言表達(dá)不像成人那么清晰。這兩個方面需要進(jìn)一步的突破。

　　在車載市場，訊飛也比較重視。目前我們已經(jīng)把訊飛的方案繼承在合作伙伴奇瑞的車上，今年四月份已經(jīng)上市。其實，在車載領(lǐng)域有一個很大的挑戰(zhàn)，就是從語音廠商到車載系統(tǒng)廠商，再到汽車廠商，這個融合會很難。訊飛的解決方案是在語音解決方案的基礎(chǔ)上，提供車機、車載系統(tǒng)的一整套解決方案和汽車廠商合作，這樣我們能把鏈條收到最短。同時，我們也可以按照車場的需求來調(diào)整這個方案。

　　馬漢君：還沒有嘗試自動駕駛，因為目前自動駕駛還處于一個概念性的階段。我們還是提供比較實用的交互解決方案，比如語音導(dǎo)航，通過全程語音來查詢目的地，可以保證駕駛安全。在此之外，我們會嘗試一些輔助駕駛的解決方案，而不是直接去研究自動駕駛的語音解決方案。

　　AIUI就是要樹立行業(yè)標(biāo)桿性的產(chǎn)品，一個是音樂方面做了DingDong音箱，在車載上也會與合作廠商共同打造標(biāo)桿，與其進(jìn)行深度合作。

　　馬漢君：我認(rèn)為技術(shù)方面最大的發(fā)展就是突破了單點的能力，從聲學(xué)的遠(yuǎn)場識別，到語義分析和語義理解都有了很大的進(jìn)步。今年會呈現(xiàn)一種整體的交互方案。我們提出的問題不會局限于某一個識別的問題，我們會突出的解決交互的問題。比如，“我想聽，劉德華的歌”，我在說的時候中間有停頓，如果按照語音識別的結(jié)果，那可能識別成兩句話，一句是“我想聽”，一句是“劉德華的歌”，但是要把語音識別和語義理解結(jié)合在一起的時候，這兩句話就是一個含義，而不應(yīng)該拆成兩句話來處理。如果再說“我想聽他最新的歌”，那么這個“他”如果能從上下文理解的話，也能識別出來。還有就是在復(fù)雜環(huán)境中，機器人應(yīng)該聽哪些聲音，哪些聲音應(yīng)該處理？這些都屬于交互場景的問題，這些需要用整體的方案去解決。這就是我認(rèn)為的今年技術(shù)上最大的發(fā)展。

　　從行業(yè)上面來說，并不是大家想象的那么樂觀。今年確實因為語義交互對整個行業(yè)有一個明顯的提升。所以會有更多的公司在語義上面去嘗試，是否能深度融合進(jìn)去。但是到底哪一個領(lǐng)域能夠開花和落地？今年并不能完全展現(xiàn)出來。這個也需要一到兩年之后，才能看出用戶的趨勢，那個時候才能進(jìn)入一個比較大的量產(chǎn)階段。