智能语音技术展望分析

在需求的驱动下，随着人工智能技术的不断发展、硬件基础设施不断 进步，语音技术的基础性能必将持续增强，加速其在更多领域的商业化应用。

1.多模语音交互达到“类人”水平

语音技术是泛在计算范畴最成熟的技术之一，可以将计算融入我们的日常生活。泛在计算是 一种嵌入了多种感知的计算设备，并能根据情景来识别人的身体姿态、生理状态、手势、语音等， 进而判断人的意图，并做出相应反应的具有适应性的数字环境。在真实复杂场景下，语音、文本、 图像和视频这些模态往往同时存在，靠单一模态的技术往往不能达到和人类交互能力同等的体 验，综合利用语音、文本和图像中的信息，才可以让机器更好地知道“我在哪里”、“谁在和我说”、 “我要和谁说”和“我该说什么”，因此跨模态、多模态融合技术能更好理解用户、做出响应， 会成为提升交互体验的关键。

用户对语音交互的重要感知是听到的声音输出。在真实世界里，声音输出不仅仅包括内容， 可以听出来是谁在说话，同样可携带情绪、表达思考或转折、重读强调等。通过合成有情感的语 音或者特定人的声音可以让用户感受到更有温度的交互，实现“千人千面”的产品特性。目前个 性化语音识别、个性化语音合成、个性化语音增强及个性化语音唤醒技术已经成为研究热点，各 种技术的综合应用也将大大改进人机交互的体验。

随着技术的演进，我们相信未来的语音交互，将可以以假乱真，让用户有在和一个“真人” 对话的感觉。

2..语音设备生态走向开放互联

2011 年苹果 Siri 掀起了语音助手第一次热潮，2017 年开始智能音箱成为主要驱动力、同时 AI 热潮兴起。2020 年以后，国内外多个厂商主导的大型语音设备生态开始成型，语音在生活里 无处不在，我们用语音查地址、查天气、开关灯、控制扫地机器人等。但是，由于协议等限制， 不同品牌的设备生态无法互通，消费者一旦开始使用某一品牌，后续购买就局限于该品牌，对消 费者及整个行业都不利。好的现象是，2022 年苹果、谷歌、亚马逊、三星等 200 多家厂商组成 的智能家居联盟 - 连接性标准联盟，推出了 Matter 1.0 智能家居配件标准，以后不同生态的产 品有望实现互联互通。

随着语音设备生态的开放互联，在智能家居、办公、车载等多种场景中，未来的语音交互基 于多设备协同、指令跨设备自由流转，会给我们带来超出预期的完美体验。

3.离线语音技术进一步提升语音产品渗透率

受“端”侧设备算力限制，当前大部分语音算法还是以云端计算为主，如语音识别、语音合 成、语义理解等，将设备端采集的语音数据经过本地算法初步处理后再上传至云端进行复杂推理 计算，计算结果再返回设备端进行呈现。考虑到用户隐私、网络稳定性、响应速度等因素的影响， 设备端、边缘侧的离线语音处理能力成为人机交互过程中不可或缺的部分，尤其是在智能家居、 车载以及高安全级别的场景下，对离线语音技术提出更高的要求。未来随着 AI 芯片和语音算法 能力不断提高，语音交互必将覆盖全场景应用，实现万物皆智能。