近幾年制恍，”人工智能“已經(jīng)成為互聯(lián)網(wǎng)圈里面出現(xiàn)頻次最高的一個詞匯父能，隨著技術(shù)的的進(jìn)步和社會的發(fā)展神凑，物聯(lián)網(wǎng)時(shí)代已經(jīng)成為繼移動互聯(lián)時(shí)代之后的下一個浪潮净神。在PC時(shí)代，瀏覽器是流量入口溉委，人類通過鍵盤和鼠標(biāo)和信息進(jìn)行交互鹃唯；在移動互聯(lián)網(wǎng)時(shí)代，以App Store為代表的移動應(yīng)用商店成為了流量入口瓣喊，人類通過觸摸屏上的GUi來操縱App和信息進(jìn)行交互坡慌；在即將到來的物聯(lián)網(wǎng)時(shí)代，人工智能會是流量入口藻三，那么語音交互就成了極具競爭力的交互方式洪橘。
目前，在語音交互相關(guān)的領(lǐng)域已經(jīng)出現(xiàn)了一批玩家和產(chǎn)品棵帽，國外的有Google Now熄求、微軟的Cortana（小娜）、Facebook的Message Platform逗概、蘋果的Siri弟晚、亞馬遜的Echo、Google Home的智能音箱，國內(nèi)的科大訊飛卿城、百度的智能機(jī)器人（度秘）枚钓、搜狗語音、微信的語音功能等瑟押，雖然這么多大牌玩家進(jìn)入語音交互的領(lǐng)域搀捷，但由于技術(shù)和社會環(huán)境的限制，語音交互還處在起步階段多望，相關(guān)的語音交互技術(shù)還無法支持大規(guī)模的應(yīng)用和推廣指煎。
要想讓語音交互流行起來，必須合理解決以下幾點(diǎn)客觀的限制：
1便斥、語音識別技術(shù)還處于起步階段至壤，語音識別技術(shù)，也被稱為自動語音識別Automatic Speech Recognition枢纠，(ASR)像街，其目標(biāo)是將人類的語音中的詞匯內(nèi)容轉(zhuǎn)換為計(jì)算機(jī)可讀的輸入，例如按鍵晋渺、二進(jìn)制編碼或者字符序列镰绎。語音識別的研究工作可以追溯到20世紀(jì)50年代AT&T貝爾實(shí)驗(yàn)室的Audrey系統(tǒng)，它是第一個可以識別十個英文數(shù)字的語音識別系統(tǒng)木西。并且一些行業(yè)巨頭也都是在2010年左右才開始加大對語音技術(shù)的投入畴栖。各大巨頭各自為戰(zhàn)，語音識別領(lǐng)域里面還沒有形成統(tǒng)一的行業(yè)標(biāo)準(zhǔn)和應(yīng)用生態(tài)八千。
2吗讶、使用場景有限。語音識別技術(shù)對環(huán)境要求苛刻恋捆；在識別的準(zhǔn)確率上受較多因素的影響照皆，比如背景噪音、口音沸停、語速膜毁、特定領(lǐng)域的專有名詞等都影響準(zhǔn)確率。有一項(xiàng)這樣的測試愤钾，有人隨機(jī)截取了幾段網(wǎng)絡(luò)課程用主流的云端引擎測試識別準(zhǔn)確度瘟滨，基本上準(zhǔn)確率在70%左右；然后又截取了一段新聞聯(lián)播的音頻能颁，用同樣的云端引擎做測試杂瘸，準(zhǔn)確率達(dá)到了95%左右。由這個測試我們可以清楚的看到客觀因素對語音識別準(zhǔn)確率的影響劲装，要知道在這個行業(yè)5%的準(zhǔn)確率就是可以引起行業(yè)變革的胧沫。目前的技術(shù)先限制導(dǎo)致語音交互體驗(yàn)的機(jī)器感特別強(qiáng)昌简，缺乏人性化的感知，沒有人喜歡跟呆板的機(jī)器一直做交流的绒怨。
3纯赎、語音交互是非可視化的，非常消耗用戶的注意力南蹂，增加記憶負(fù)擔(dān)犬金。人在與系統(tǒng)做交互的時(shí)候，能記住的信息也就10秒左右六剥。舉一個常用的場景晚顷，有時(shí)候打銀行的客服電話，你必須集中精力聽語音播報(bào)疗疟，一旦被打斷就又得從頭聽一遍该默。
4、用戶習(xí)慣還未完全養(yǎng)成策彤。沒有人愿意對著冰冷的機(jī)器說話栓袖，然后得到毫無感情的甚至是錯誤的回應(yīng)。用戶對語音交互對象的要求不但是可以聽懂店诗，還應(yīng)該能人性化的給以回應(yīng)裹刮，人類更期望通過語音達(dá)到人人交互的感受，而不是人機(jī)交互庞瘸，這也是為什么語音交互的普及很大程度上依賴于人工智能技術(shù)的發(fā)展捧弃。
但是，這些客觀條件的限制并不能阻擋語音交互成為物聯(lián)網(wǎng)時(shí)代最流行也是最普遍的交互方式擦囊。
1违霞、語言的本質(zhì)是進(jìn)行信息的交流。從人類進(jìn)化的角度來看霜第，語音是先于文字產(chǎn)生的葛家，我們再來看一個現(xiàn)象户辞，所有的嬰兒都是先學(xué)會了說話泌类，然后才會學(xué)習(xí)寫字。視覺和觸覺的交互都需要硬件在可視范圍之內(nèi)才能完成底燎，而聲音的傳播路徑是球形的360度刃榨，可傳播范圍非常廣，而且獲取信息的方式門檻低双仍。
2枢希、語音交互的兩個關(guān)鍵點(diǎn)為語音識別和語義理解。在語音識別方面朱沃，隨著智能終端的普及應(yīng)用厅须，我們已經(jīng)獲取了大量的語音數(shù)據(jù)資料，再加上算法的優(yōu)化叹誉，這為計(jì)算機(jī)的深度學(xué)習(xí)提供了大量的支持坚嗜。這其實(shí)就跟人類學(xué)習(xí)語言是一個道理。首先陡舅，你的大腦要有學(xué)習(xí)認(rèn)知的能力（相當(dāng)于算法）；同時(shí)，你還要掌握充分的詞匯量摆寄，接受足夠的聽力訓(xùn)練（相當(dāng)于語音數(shù)據(jù)），你才能聽懂一門語言（語音識別）坯门。學(xué)習(xí)英語的時(shí)候通過大量的聽力練習(xí)強(qiáng)化我們的聽力也是同樣的道理微饥；
語義理解依賴于神經(jīng)網(wǎng)絡(luò)（ANN）的技術(shù)，本質(zhì)上是一個自適應(yīng)非線性動力學(xué)系統(tǒng)古戴，將機(jī)器學(xué)習(xí)的方式模擬人類大腦的神經(jīng)元欠橘，當(dāng)處理的語言越來越多時(shí)，這種網(wǎng)絡(luò)就可以逐漸理解語言现恼，實(shí)驗(yàn)結(jié)果發(fā)現(xiàn)简软，這種技術(shù)可以使準(zhǔn)確率提升25%以上。
3述暂、任何新技術(shù)都會經(jīng)過起步痹升、發(fā)展、流行這樣的階段∑杈拢現(xiàn)階段最符合用戶習(xí)慣的交互方式是GUI疼蛾，但GUI也是隨著智能手機(jī)的發(fā)展才逐漸流行起來。語音交互技術(shù)一旦解決了擬人化的問題艺配，賦予聲音情感化察郁，強(qiáng)化人人交互的體驗(yàn)，就會進(jìn)一步促進(jìn)用戶習(xí)慣的養(yǎng)成转唉。
4皮钠、語音交互有著其天然的用戶場景和用戶群體。語音交互創(chuàng)造了全新的伴隨式場景赠法，比如說早晨起床后我們可以一邊洗刷一遍聽廣播麦轰，晚上跑步的同時(shí)還可以聽音樂，語音交互解放了人的手和眼睛砖织，通過語音交互我們可以做到一心二用款侵，這極大的提高了我們在某些場景下的效率，語音交互充分抓住了人類不方便使用手和眼睛的場景侧纯。另外隨著智能設(shè)備影響的擴(kuò)大新锈，用戶群逐步向老齡人群、低齡人群眶熬、身體殘障人群滲透擴(kuò)散的趨勢非常明顯妹笆，而對這些新進(jìn)入人群而言块请，原有的觸控交互方式或許并不太適合，用戶習(xí)慣也未形成拳缠，例如老年人視力下降负乡、手指也不夠靈活；低齡兒童還不能掌握手寫等能力也不適合長時(shí)間看電子屏幕脊凰；弱視/盲人更希望接受語音信息和發(fā)出語音指令抖棘，等等，因此語音交互也更適合拓展智能設(shè)備新的用戶人群狸涌。
語音交互將成為物聯(lián)網(wǎng)時(shí)代最有競爭力的入口切省。語音識別將使人機(jī)交互能夠以人類最熟悉的方式進(jìn)行，語音識別技術(shù)一旦取得進(jìn)一步的突破帕胆，這個行業(yè)就會迎來黃金時(shí)期朝捆，而且語音交互將凌駕于瀏覽器、APP等其他應(yīng)用入口之上懒豹，形成一個以語音交互技術(shù)為核心的全新應(yīng)用生態(tài)鏈芙盘，同時(shí)對人工智能產(chǎn)業(yè)的發(fā)展起到極大的促進(jìn)作用。
可否想象么樣一個場景脸秽，在某個周日的早上儒老，我們起床后，家里的智能音箱會自動給我們播報(bào)今天的天氣狀況记餐，吃早餐的時(shí)候發(fā)現(xiàn)冰箱里的牛奶只剩最后一盒了驮樊，只需要說一句“再幫我訂購一箱牛奶”，快遞就會在約定好的時(shí)間送過來片酝，說一句“幫我叫輛車”囚衔，一會車就到樓下等你了……
