一個(gè)完整的對(duì)話交互是由“聽(tīng)懂——理解——回答”三個(gè)步驟完成的閉環(huán)，其中， “聽(tīng)懂”需要語(yǔ)音識(shí)別（Automatic Speech Recognition， ASR）技術(shù)；“理解”需要自然語(yǔ) 言處理（Natural Language Processing， NLP）技術(shù)；“回答”需要語(yǔ)音合成（Text To Speech， TTS）技術(shù)。三個(gè)步驟環(huán)環(huán)相扣，相輔相成。語(yǔ)音識(shí)別技術(shù)是對(duì)話交互的開(kāi)端，是保證對(duì)話 交互高效準(zhǔn)確進(jìn)行的基礎(chǔ)。
語(yǔ)音識(shí)別技術(shù)自 20 世紀(jì) 50 年代開(kāi)始步入萌芽階段，發(fā)展至今，主流算法模型已經(jīng)經(jīng) 歷了四個(gè)階段：包括模板匹配階段、模式和特征分析階段、概率統(tǒng)計(jì)建模階段和現(xiàn)在主流的 深度神經(jīng)網(wǎng)絡(luò)階段。目前，語(yǔ)音識(shí)別主流廠商主要使用端到端算法，在理想實(shí)驗(yàn)環(huán)境下語(yǔ)音 識(shí)別準(zhǔn)確率可高達(dá) 98%以上。
中國(guó) AI 語(yǔ)音識(shí)別市場(chǎng)參與者眾多，主要分為上游、中游、下游。上游：底層技術(shù)提供強(qiáng)力支撐，云計(jì)算助推AI語(yǔ)音應(yīng)用普及。中游：語(yǔ)音技術(shù)持續(xù)升級(jí)，生態(tài)圈建立賦能產(chǎn)業(yè)。下游分析：行業(yè)應(yīng)用多樣化，一站式服務(wù)需求廣
在過(guò)去五年間，中國(guó) AI 語(yǔ)音的需求最先在消費(fèi)級(jí)市場(chǎng)爆發(fā)，主要得益于互聯(lián)網(wǎng)及智能 硬件設(shè)備廠商加大語(yǔ)音識(shí)別的投入經(jīng)費(fèi)，以及廠商為提前占據(jù)市場(chǎng)推行的智能音箱硬件補(bǔ)貼。
目前，消費(fèi)級(jí)產(chǎn)品及服務(wù)主要包括智能音箱、智能車載和智能硬件及消費(fèi)級(jí)互聯(lián)網(wǎng)增值 服務(wù)。然而，目前包括直接面向消費(fèi)者的產(chǎn)品及服務(wù)在內(nèi)，語(yǔ)音識(shí)別的相關(guān)應(yīng)用及使用場(chǎng)景 仍具有局限性。
未來(lái)，在消費(fèi)級(jí)產(chǎn)品供應(yīng)商和開(kāi)發(fā)者共同構(gòu)建產(chǎn)業(yè)生態(tài)圈的過(guò)程中，語(yǔ)音識(shí) 別技術(shù)將更好地與其他語(yǔ)音交互技術(shù)及軟件功能融合，為消費(fèi)者提供更優(yōu)質(zhì)的體驗(yàn)，未來(lái) AI 語(yǔ)音識(shí)別市場(chǎng)將迎來(lái)廣闊的發(fā)展空間。
對(duì)于專業(yè)級(jí)市場(chǎng)而言，主要的產(chǎn)品形式包括智能語(yǔ)音開(kāi)放平臺(tái)和行業(yè)解決方案，下游應(yīng) 用領(lǐng)域目前主要包括數(shù)字化水平相對(duì)較高的智慧醫(yī)療、智慧教育、企業(yè)客服、司法政務(wù)、金 融領(lǐng)域等。
AI 語(yǔ)音識(shí)別作為人機(jī)交互的重要入口之一，除了在語(yǔ)音識(shí)別的領(lǐng)域表現(xiàn)出色外， 也要能更好地與其他智能語(yǔ)音技術(shù)（包括語(yǔ)義理解、遠(yuǎn)場(chǎng)語(yǔ)音識(shí)別、喚醒目標(biāo)檢測(cè)、全雙工 交互、個(gè)性化識(shí)別技術(shù)等）進(jìn)行融合，從而綜合提升真實(shí)場(chǎng)景中的用戶體驗(yàn)。
近年來(lái) AI 語(yǔ)音識(shí)別專業(yè)級(jí)市場(chǎng)的快速增長(zhǎng)主要原因除了深度神經(jīng)網(wǎng)絡(luò)算法為語(yǔ)音識(shí)別帶來(lái)的準(zhǔn)確率大 幅提升外，更重要的是其他智能語(yǔ)音和 AI 技術(shù)的發(fā)展帶來(lái)了更廣闊的應(yīng)用場(chǎng)景，預(yù)計(jì)未來(lái) 專業(yè)級(jí)市場(chǎng)的商業(yè)化需求將得到進(jìn)一步釋放。
