捷通華聲總司理武衛東
各人晚上好，很是有幸在鈦率直跟各人分享關于“從語音到全方位人工智能，AI技能的融合成長之路”的心得體會。
人工智能技能經驗了半個多世紀的成長，此刻的人工智能通過計較要領可以或許賦予呆板一些雷同人的感知成果，像人有口眼耳手，這是我們的感官成果。我們尚有大腦，這是我們的思維認知成果，那么呆板人是不是可以具備這些擬人化的成果呢？
像人的嘴是用來措辭的，耳朵是用來聽聲音的，這就催生了像語音合成、語音識別這樣的語音技能。
圖像識別就像人調查外界事物的眼睛，手是用來拿對象和寫字的，這就催生了OCR、手寫識別技能等這樣的一些圖像識別技能。
在浩瀚感知成果方面，人工智能技能還涉及到許多成果，包羅人臉識別，聲紋識別，指紋識別等等。顛末十幾年的成長，我們看到人工智能技能中最難的實際上是與認知相關的一些技能。人的認知，即人的大腦，是個很是巨大的布局，可以說到本日，我們本身也沒有研究清楚我們本身的大腦。
近幾年來，神經網絡尤其是深度進修，晉升了感知計較的一些模子要領，相關感知方面的技能取得了較量大的進步。
實際上，神經網絡的一些算法研究，早在二三十年前就開始了。我記得本來在學校的時候，我們有許多的研究人員就從事在圖像模式識別方面的一些研究，可是由于其時的算法本領以及設備本領有限，很難去在巨大布局和深條理布局上晉升算法模子。
此刻的GPU技能使得已往巨大的算法模子可以或許通過有效的練習，晉升練習速率，并可以或許通過算法和大數據的加工，實現越發普適性和實用性的一些模子，供我們做一些智能化的應用。
我們看到此刻的語音識別技能，可以或許到達百分之九十幾，靠近于人的甚至在某些方面高出人的這樣一個精確率。通過深度進修，語音識別已經實現了一些打破。
尤其是跟著互聯網和移動互聯網的成長，此刻交互終端、智能終端，給我們在研究方面提供了大量的、真實的場景數據，有了這些大的數據，利用神經網絡算法，通過練習，可以讓語音識別技能越發實用化。
從業20年 談語音技能成長
在語音方面，實際上各人看到，真正最早可以或許形成實用化的語音技能是從語音合成開始的，也就是我們說的TTS技能。
下面給各人放一些聲音，各人可以聽一聽，此刻在語音合成方面，從已往較量機器的音色成長到此刻流通、自然的聲音。
好比說我們在一些大型的場館集會會議，像奧運會，世博會，包羅一些民眾場合，像高鐵站，機場聽到的廣播聲，許多實際上都是通過語音合成技能合成出來的。別的，我們推出了可以唱歌的TTS技能，贊美TTS實際上就是在尺度的語音合成基本上，團結此刻一些應用場景，好比說一些娛樂呆板人，教誨呆板人，玩具等等，在應用場景傍邊，我們做的越發娛樂化的TTS技能。
此刻各人都在摸索和研究一個新偏向，感情TTS。因為不管怎么樣的一個算法，到達完全像人一樣的自然、有感情、富有喜怒哀樂情緒的TTS技能，照舊有許多的研究事情要做。當前TTS作為一種信息的交換、信息的播報是完全可以到達實用化的水平。顛末這十幾年的時間，捷通華聲在TTS方面，海內市場占有率高出了50%。
我再說說語音識別，昨天錢博士，我們清華的一個師弟出格提到了語音識別技能的成長。此刻實際上就是說在語音識別方面海內也有一些從事語音識別技能應用和研究的企業，可是從語音識別此刻今朝成長的近況看，普通話在一個自然的場景中識別率到達96%，97%，其實已經不是什么太高的方針。
可是96%、97%實際上并不是一個真實應用場景的指標，我們要操作這項技能，可以或許到達人人措辭、大大都常見聲音情況中都能到達這么高的一個精確率，照舊有許多事情要做的。我小我私家認為，此刻各人說96%、97%實際上是一個在技能層面到達的高度，可是實際上在實用化方面，要到達這樣一個高度，我感受恐怕海外語音公司也不敢這么說，我們海內的一些人有時候在這方面會更多的注入一些貿易化宣傳。
各人知道，語音識別是從2001年、2002年就進入了中國市場，但其時的語音識別，主要是基于呼吁詞條的識別。顛末十幾年的成長，語音識別技能進入到自由說的狀態，當人自然措辭、自然表達時，可以或許精確識別，這敦促語音識別進入到實現應用的階段。
