像《鋼鐵俠》中那樣智能先進的語音助手，人類還需要多久能用上？本周，國內(nèi)幾家語音識別廠商先后公布自己的語音識別新策略，似乎人類與語音的自然交互漸行漸近。

科大訊飛昨日公告稱，自主研發(fā)的離線語音聽寫引擎將于9月下旬正式發(fā)布，將應(yīng)用于“訊飛輸入法”等產(chǎn)品，可滿足用戶在無網(wǎng)絡(luò)或弱網(wǎng)絡(luò)下對語音技術(shù)的需求。在這之前幾天，另一家企業(yè)思必馳也在一次業(yè)內(nèi)沙龍上宣布重新定義人機交互體驗的方向，主張讓機器從能聽會說變成會聽能做。

而國外巨頭也在布局語音識別領(lǐng)域。昨日有外媒報道稱，微軟正在研發(fā)代號為“Cortana”自有語音個人助手軟件，并計劃在下一個Windows Phone平臺大升級中推出，以抗衡Google Now及蘋果Siri。

如思必馳副總裁兼對話工場總經(jīng)理李建輝所言，智能設(shè)備發(fā)展大潮和移動互聯(lián)時代的到來，讓感知計算成為未來人機交互的發(fā)展方向，需要更加自然、直觀和身臨其境的交互方式。

科大訊飛移動互聯(lián)事業(yè)部副總經(jīng)理章繼東將語音識別產(chǎn)品進化形容為一場馬拉松。在這個過程中，有不少廠商已經(jīng)退出該領(lǐng)域，搜狗語音助手也不復(fù)曾經(jīng)的高調(diào)推廣，Airi在一年前已經(jīng)停止更新。另一款小i機器人轉(zhuǎn)做B2B市場。

有廠商退出，又有新的廠商進入，一輪基于語音識別應(yīng)用的新的布局和競技已然開始。

蹩腳的語音交互體驗

盡管科大訊飛的訊飛輸入法語音識別率可以達到95%以上，但從整個語音識別應(yīng)用來看，現(xiàn)階段的用戶體驗只能用蹩腳來形容。

一方面是語音交互的錯誤容易傳遞的先天缺陷使然。“如果語音識別的準確率在85%-95%之間，語義分析的準確率在85%-95%之間，最后識別的準確率只有70%-90%。”思必馳首席科學家俞凱說。

對于離線語音技術(shù)而言則更加困難。目前，擁有離線語音技術(shù)的有谷歌與蘋果兩大國際巨頭以及科大訊飛。但受無網(wǎng)絡(luò)連接、存儲空間有限等原因，科大訊飛的離線語音識別成功率只有85%左右，“剛達到能用的水平。”

另一方面，語音識別技術(shù)因為技術(shù)門檻太高，往高級功能的進化還剛剛開始。“從語音評測、語音合成到對自然語義的理解，每一個方向都需要足夠的語料和算法進行不斷的優(yōu)化。”章繼東說。

在技術(shù)的優(yōu)化的同時，還需要構(gòu)建一個生態(tài)系統(tǒng)。比如社區(qū)問答，類似劉德華演的電影是什么的問題，或者是基于音樂、視頻的知識圖譜，類似劉德華都演過什么電影的問題。

“基于語音自然交互越來越便捷會取代鍵盤輸入等方式這是一個趨勢，但是上升到剛需的層面，現(xiàn)在不是時候。”章繼東說。

重金投向語音識別

盡管困難重重，語音識別技術(shù)的大方向已然不可逆轉(zhuǎn)。

“所有手機制造商都在投資語音、拓展語音技術(shù)領(lǐng)域的投資，打造更優(yōu)雅的設(shè)計并將其深入集成到手機中。”語音識別技術(shù)公司Nuance高級副總裁邁克爾 湯普森這樣說。

盡管蘋果的Siri屢遭嘲笑，甚至被稱為蘋果最失敗的產(chǎn)品之一，但蘋果的投入有增無減。蘋果甚至在麻省理工大學（MIT）附近組建了神秘辦公室，用以做Siri 語音識別技術(shù)的研發(fā)。俞凱透露，Siri的語音技術(shù)部門的人員保持在1:4的配比。1個人負責研究語音的輸入輸出，4個人負責自然語言處理，用以攻堅語音自然交互的困難。

在語音識別領(lǐng)域深耕的國內(nèi)廠商也獲得投資用以研發(fā)。去年，思必馳獲得聯(lián)想和啟迪等三方的聯(lián)合投資。去年，中國移動通過其子公司以13.63億人民幣的價格入股科大訊飛，占股15%，隨后在當年12月聯(lián)合推出智能語音門戶產(chǎn)品“靈犀”。靈犀可以實現(xiàn)語音打電話、發(fā)短信、查天氣等功能。

誰能引爆語音交互？

“有時候可能就是熬，甚至也有可能未來是由于其他方向帶動起來。”章繼東說。他認為微信是其中一例。

在微信剛剛推出之時，很多人看到別的用戶在對著手機“自言自語”時會覺得很納悶，后來才發(fā)現(xiàn)是微信的語音對講功能。而現(xiàn)在，人們已經(jīng)對朝著微信自說自話習以為常。

章繼東認為，下一個有可能引爆語音識別應(yīng)用的是正越來越流行的可穿戴設(shè)備。比如手環(huán)可以把用戶數(shù)據(jù)傳到云端去，然后分析出一個針對個人健康狀況的建議。甚至，數(shù)據(jù)發(fā)現(xiàn)一個用戶作息不規(guī)律，語音助手可以在用戶需要休息的時候給出一個語音提示。

更現(xiàn)實的應(yīng)用是智能手表等可穿戴設(shè)備，比如聲紋識別和語音喚醒等功能可以成為典型應(yīng)用。前者用戶可以將自己的聲音做為開啟設(shè)備的密碼，后者則在用戶不接觸設(shè)備的情況下喚醒設(shè)備。

“我們也在和芯片廠商合作，嘗試將語音識別技術(shù)集成到智能可穿戴設(shè)備中，以此來降低功耗，擴大語音識別在可穿戴設(shè)備上的應(yīng)用時間。”一家語音識別技術(shù)廠商的負責人說。