從文字時(shí)代到圖像時(shí)代,再到如今無處不在的語音時(shí)代,智能語音技術(shù)的流行和爆發(fā)不斷刷新著人們的生活方式。亞馬遜Echo的出現(xiàn)就是最鮮明的里程碑。
大環(huán)境表明,智能語音技術(shù)最廣泛的應(yīng)用還是智能單品(智能音箱、機(jī)器人)以及智能家居等領(lǐng)域,且語音識別技術(shù)是智能語音技術(shù)最為核心的落地技術(shù)。但需要提及的是,進(jìn)入智能語音技術(shù)的發(fā)展**期,智能語音技術(shù)是時(shí)候該有一些比較新穎的落地場景出現(xiàn)了。
基于此背景,本文將對語音識別技術(shù)在安防行業(yè)的應(yīng)用進(jìn)行淺析。
語音識別的“擇業(yè)”與“取景”,安防行業(yè)應(yīng)是極佳入口
隨著人工智能技術(shù)賦能各大行業(yè),不少企業(yè)也已將戰(zhàn)略轉(zhuǎn)向了“AI+”。而基于安防行業(yè)廣而大的應(yīng)用前景,“AI+安防”很快就成為了市場的主流旋律。而身為人工智能技術(shù)的一大分支,智能語音技術(shù)自然也需要在安防行業(yè)進(jìn)行“擇業(yè)”與“取景”,首當(dāng)其沖的就是語音識別技術(shù)。
學(xué)會與機(jī)器進(jìn)行相互共同理解,即人機(jī)交互也一直是安防行業(yè)的智能核心所在。而語音識別技術(shù)作為人機(jī)交互最為核心的落地技術(shù),該技術(shù)在安防行業(yè)也有不少落腳點(diǎn),主要應(yīng)用在以智能巡檢機(jī)器人為代表的安防機(jī)器人身上。
與其他可發(fā)聲的服務(wù)機(jī)器人類似,安防機(jī)器人通過內(nèi)置的麥克風(fēng)接受外界聲音,并對人聲進(jìn)行識別和理解,一旦讀懂“人聲”背后有類似危險(xiǎn)的行為存在,將自動觸發(fā)報(bào)警系統(tǒng)進(jìn)入防御狀態(tài),從而對目標(biāo)人物起到安全防護(hù)的作用。
而除了安防機(jī)器人,在安防行業(yè)的智能酒店場景之中,語音識別技術(shù)也起到了關(guān)鍵性的作用。在阿里近日開張的未來酒店中,盡管人臉識別是其主打技術(shù),但貫穿酒店服務(wù)全過程中的智能機(jī)器人也是不可缺乏的關(guān)鍵人物。在阿里未來酒店中,機(jī)器人充當(dāng)著酒店前臺的作用,對入住房客進(jìn)行全過程引導(dǎo),而在酒店房間中,房客也可通過與天貓精靈的交流,從而完善自己的住房體驗(yàn)。在未來酒店的入住過程中,不管是充當(dāng)前臺的機(jī)器人還是服務(wù)員天貓精靈,其都是通過語音識別技術(shù)完成人機(jī)交互,從而通過這種用語音識別技術(shù)打造的全棧式語音交互系統(tǒng),隨時(shí)隨地打造智能互聯(lián)的場景。
當(dāng)然,語音識別技術(shù)在安防行業(yè)的應(yīng)用,也涉足到了智慧金融、智慧教育等多個智慧化場景當(dāng)中。
或者,智能語音技術(shù)可作為“人臉識別”的“好幫手”
以人臉識別技術(shù)為核心的視頻監(jiān)控時(shí)安防行業(yè)的主要應(yīng)用,這種我們無需多談,但未來我們是否也能腦洞大開,用智能語音技術(shù)輔助人臉識別,使得視頻監(jiān)控更為智能化。
市場都在談?wù)Z音識別技術(shù),但很少有企業(yè)注意,聲紋識別以及語音情感識別也歸屬于智能語音技術(shù)。
聲紋識別也稱說話人識別,通過將聲信號轉(zhuǎn)換成電信號,再用計(jì)算機(jī)進(jìn)行識別??删唧w分為說話人辨認(rèn)和說話人確認(rèn)。在不同場景,聲紋識別技術(shù)的選擇不同,如縮小刑偵范圍時(shí)可能需要辨認(rèn)技術(shù),而銀行交易時(shí)則需要確認(rèn)技術(shù)。
語音情感識別是情感識別的方式之一,是指由計(jì)算機(jī)自動識別輸入語音的情感狀態(tài)。計(jì)算機(jī)通過傳感器對不同聲調(diào)表情的語言信號,在時(shí)間構(gòu)造、振幅構(gòu)造、基頻構(gòu)造和共振峰構(gòu)造等特征方面的構(gòu)造特點(diǎn)和分布規(guī)律進(jìn)行測算和分析,從而識別出所有語言聲調(diào)中所隱含的情感內(nèi)容。
盡管當(dāng)前人臉識別技術(shù)的識別率高達(dá)99%甚至是99.9%,但剩下的1%甚至0.1%卻是當(dāng)前科技無法攻克的難題。想象一下,如果在當(dāng)前具備人臉識別的視頻監(jiān)控系統(tǒng)中加入聲紋識別和語音情感識別技術(shù),形成的聲像融合技術(shù)(讀唇),即使目標(biāo)受眾處于無聲狀態(tài),也能對其思想及行為進(jìn)行預(yù)測和識別,當(dāng)前的視頻監(jiān)控系統(tǒng)是否也將提升到一個新的智能化高度,真正做到“防患于未然”。
不可否認(rèn),由人臉識別、聲紋識別以及語言情感識別形成的多模態(tài)交互系統(tǒng),應(yīng)該能安防行業(yè)打開不少新應(yīng)用大門,例如場景分析和事件檢測。而在新一輪AI產(chǎn)業(yè)變革下,多模態(tài)技術(shù)也將成為決勝關(guān)鍵。
但智能語音要“取景”安防行業(yè),尚有難點(diǎn)需要解決
“無語音不安防”,聽起來似乎是個挺好的愿景。但遺憾的是,就目前看來,智能語音要“取景”安防行業(yè),還有許多難點(diǎn)需要解決。
廣泛認(rèn)為,人工智能在安防行業(yè)的應(yīng)用布局,還有四個“如何”需要解決——如何打造場景化AI應(yīng)用,滿足用戶需求?如何構(gòu)建行業(yè)智能系統(tǒng),解決產(chǎn)業(yè)實(shí)際問題?如何完善基礎(chǔ)設(shè)施、產(chǎn)業(yè)標(biāo)準(zhǔn)和安全防范機(jī)制?如何構(gòu)建互利共贏的智能產(chǎn)業(yè)新生態(tài)?而這四個如何,放在智能語音技術(shù)在安防行業(yè)的應(yīng)用上來看,也毫無違和感。
遠(yuǎn)場語音識別應(yīng)該是智能語音在安防行業(yè)進(jìn)行語音識別中最為關(guān)鍵的核心技術(shù),但這種技術(shù)依舊還存在著回聲、噪聲以及混響三大技術(shù)瓶頸、最為直觀的例子在于,安防機(jī)器人在公共區(qū)域執(zhí)行安保工作之時(shí),由于所接收的語音信號太多,其無法對目標(biāo)語音進(jìn)行分離,從而無法進(jìn)行正常識別。
再比如上文所提及的語言情感識別技術(shù)。實(shí)際上,將語音中的情感特征化比面部表情的特征化難得多,因?yàn)槊娌勘砬樾盘杺鬟_(dá)了個人特征和表情,并不傳達(dá)語言信息,而語音信號是混合信息,包括說話者特征、情感和說話內(nèi)容中強(qiáng)調(diào)的詞匯和語法,其所需要進(jìn)行訓(xùn)練和學(xué)習(xí)的數(shù)據(jù)都比人臉識別多得多。
而除了遠(yuǎn)場語音識別和語言情感識別技術(shù)難題,智能語音技術(shù)自身還有不少難題未能突破,包括、口音、目標(biāo)說話人分離、多語種混雜、高效遷移與數(shù)據(jù)迭代以及行業(yè)標(biāo)準(zhǔn)和攻擊防御等等,導(dǎo)致其不止在安防行業(yè),現(xiàn)階段AI智能語音在各行業(yè)的應(yīng)用,似乎用“人工智障”來形容會更為合適。
小結(jié):
業(yè)界廣泛認(rèn)為,AI不是刷榜炫技,是真正推動技術(shù)創(chuàng)新、解決產(chǎn)業(yè)問題。而在人工智能技術(shù)進(jìn)入大規(guī)模應(yīng)用的今天,更需要妥善 “擇業(yè)”與“取景”之間的關(guān)系,從同質(zhì)化中走出差異化出來。
人工智能時(shí)代如何打破技術(shù)瓶頸如何賦能各行各業(yè),云知聲董事長/CTO梁家蒽的四個解決或許是較為理性的思考:解決深度學(xué)習(xí)在產(chǎn)業(yè)規(guī)?;瘧?yīng)用中的問題、解決非大數(shù)據(jù)、端到端、序列映射的問題、將數(shù)據(jù)與知識有效結(jié)合,形成高效迭代閉環(huán)以及從根本上提升機(jī)器的認(rèn)知和學(xué)習(xí)能力。
2019年人工智能技術(shù)已逐漸回歸理性,越來越多的難題開始顯現(xiàn)出來。但對于產(chǎn)業(yè)來說,是最壞的時(shí)代也是最好的時(shí)代。
評論
查看更多