智能家居語(yǔ)音控制解決方案：能聽(tīng)會(huì )說(shuō)、自在交互

　　在智能家居給人們帶來(lái)便捷生活的同時(shí)，人們的控制習慣逐漸發(fā)生改變。語(yǔ)音技術(shù)的發(fā)展也為控制入口做了一個(gè)補充，在拋去了傳統遙控器和手機APP之后，通過(guò)口令發(fā)送讓家居環(huán)境達到舒適狀態(tài)，讓生活更便捷智能，這是否會(huì )成為智能家居行業(yè)下一個(gè)階段的普遍應用?

　　遠場(chǎng)語(yǔ)音識別、云端語(yǔ)義辨識、人工智能應用等等一個(gè)個(gè)技術(shù)節點(diǎn)得到新的突破，為智能家居提供了新的控制入口選擇。本文將從技術(shù)趨勢、解決方案、產(chǎn)品應用、項目實(shí)施等多角度為您呈現語(yǔ)音控制技術(shù)在智能家居產(chǎn)品和集成項目中的應用前景。

　　所謂智能語(yǔ)音產(chǎn)業(yè)，主要指通過(guò)語(yǔ)音合成技術(shù)和語(yǔ)音識別技術(shù)，為用戶(hù)提供各種服務(wù)的產(chǎn)業(yè)。一般來(lái)說(shuō)，用戶(hù)只需要用說(shuō)話(huà)的方式給服務(wù)終端發(fā)布命令，就能得到相應的服務(wù)。這一產(chǎn)業(yè)從上世紀六十年代就已出現，但并不為普通消費者所熟知，消費者對其認知度也比較低。近年來(lái)，隨著(zhù)蘋(píng)果、谷歌、微軟等公司先后推出Siri等智能語(yǔ)音服務(wù)，這一服務(wù)以及相關(guān)產(chǎn)業(yè)也開(kāi)始被普通消費者和投資界所關(guān)注。

　　語(yǔ)音控制技術(shù)

　　與機器進(jìn)行語(yǔ)音交流，讓機器明白你說(shuō)什么，這是人們長(cháng)期以來(lái)夢(mèng)寐以求的事情。語(yǔ)音識別技術(shù)就是讓機器通過(guò)識別和理解過(guò)程把語(yǔ)音信號轉變?yōu)橄鄳奈谋净蛎畹募夹g(shù)。

　　語(yǔ)音識別是一門(mén)交叉學(xué)科，語(yǔ)音識別技術(shù)與語(yǔ)音合成技術(shù)結合使人們能夠甩掉鍵盤(pán)，通過(guò)語(yǔ)音命令進(jìn)行操作，語(yǔ)音技術(shù)的應用已經(jīng)成為一個(gè)具有競爭性的新興高技術(shù)產(chǎn)業(yè)。

　　目前語(yǔ)音控制技術(shù)存在的問(wèn)題

　　目前，對于語(yǔ)音控制類(lèi)的智能硬件產(chǎn)品在很多場(chǎng)景下因語(yǔ)音交互體驗不如人意而深受詬病，究其原因主要是受限于空間距離、背景噪音、其他人聲干擾、回聲、混響等多重復雜因素，進(jìn)而導致的識別距離近、識別率低等明顯痛點(diǎn)。

　　除此之外，單是中國語(yǔ)系、方言和口音就相當多，加上中文的多語(yǔ)義性，所以不同地區的人使用語(yǔ)音控制識別率差異較大。同時(shí)，在語(yǔ)義識別上，也存在上下文的關(guān)聯(lián)帶來(lái)識別的學(xué)習難、定位難和建立模型難等問(wèn)題。

　　語(yǔ)音識別的幾種控制技術(shù)

　　“語(yǔ)音識別”技術(shù)相當于給計算機系統安裝上“耳朵”，使其具備“能聽(tīng)”的功能。該技術(shù)經(jīng)過(guò)語(yǔ)音信號處理、語(yǔ)音特征處理、模型訓練及解碼引擎等復雜步驟，使機器最終能夠將語(yǔ)音中的內容、說(shuō)話(huà)人、語(yǔ)種等信息識別出來(lái)。語(yǔ)音控制功能的實(shí)現，與用戶(hù)的使用習慣高度關(guān)聯(lián)。目前的語(yǔ)音控制功能實(shí)現方式可分為近場(chǎng)語(yǔ)音識別和遠場(chǎng)語(yǔ)音識別二個(gè)大類(lèi)。

　　近場(chǎng)/遠場(chǎng)語(yǔ)音識別技術(shù)

　　近場(chǎng)語(yǔ)音識別，需要用戶(hù)點(diǎn)擊啟動(dòng)，并且用戶(hù)與終端設備的距離比較近，如手機或其他終端設備，可直接借助這些終端設備的實(shí)現控制功能。

　　遠場(chǎng)語(yǔ)音識別，以麥克風(fēng)陣列遠距離拾取的語(yǔ)音數據作為輸入數據，通過(guò)語(yǔ)音識別的算法將語(yǔ)音信號轉寫(xiě)成文字的技術(shù)。雖然和近場(chǎng)語(yǔ)音識別技術(shù)在原理上是相同的，但是由于音源和麥克風(fēng)之間的空間距離增大，在聲波傳播過(guò)程中會(huì )出現信號強度的衰減和各種噪音干擾，因此需要特殊的語(yǔ)音數據拾取和預處理技術(shù)。不同的拾取設備和預處理技術(shù)常常會(huì )使用于語(yǔ)音識別的聲波信號特征發(fā)生改變，因此針對不同的遠場(chǎng)語(yǔ)音拾取技術(shù)，需要對語(yǔ)音識別引擎進(jìn)行定制化適配和優(yōu)化。

　　當語(yǔ)音信號在傳播過(guò)程中有所衰減，影響采集信號的強度和分辨率，使用的靈敏度非常高的指向性麥克風(fēng)，同時(shí)將麥克風(fēng)的參數調整到適合遠場(chǎng)語(yǔ)音數據的模式，可以最大限度采集清晰的遠場(chǎng)語(yǔ)音信號。語(yǔ)音指令聲波在傳輸過(guò)程中受到周?chē)胍舻奈廴?，降低聲波信號的信噪比，使用定向波速成形技術(shù)，抑制方向外的噪音，從而減少噪音對語(yǔ)音信號的干擾。在一個(gè)房間里，麥克風(fēng)拾取的聲波不僅僅直接來(lái)自于音源，還有音源發(fā)出后經(jīng)過(guò)墻壁反射的遲到的聲波，形成聲音的殘留，造成混響。利用多個(gè)麥克風(fēng)采集的數據，通過(guò)多通道回聲消除算法，將這些不同時(shí)間達到的聲音數據分離開(kāi)來(lái)，從而消除了混響對聲音數據的影響。

　　喚醒目標檢測技術(shù)

　　在遠距離用語(yǔ)音進(jìn)行操控的時(shí)候，聲音可能來(lái)自不同方向的不同人。因此首先要確定哪些是發(fā)指令的聲音，哪些不是。使用的麥克風(fēng)陣列波速成形算法，將360度空間垂直劃分成若干區域，每個(gè)麥克風(fēng)負責檢測一個(gè)指定的區域。當某個(gè)空間區域里面檢測到有喚醒詞出現時(shí)，對應于該空間區域的麥克風(fēng)拾音功能就被增強，其他區域的麥克風(fēng)拾音就被抑制。從而實(shí)現了對聲音進(jìn)行有方向有角度的拾取，避免了周?chē)娨暀C里的說(shuō)話(huà)聲音、其他人交談對語(yǔ)音指令的影響。

　　播放狀態(tài)打斷技術(shù)

　　在對音箱等設備進(jìn)行語(yǔ)音控制時(shí)，往往該設備處于播放歌曲的狀態(tài)。由于麥克風(fēng)安裝在音箱上，麥克風(fēng)和說(shuō)話(huà)人之間的距離要遠大于麥克風(fēng)和揚聲器之間的距離，在這樣的情況下，采用內外兼顧的方法進(jìn)行解決。內部使用特殊的回聲消除算法從內部減小噪音對麥克風(fēng)的影響。另外對于震動(dòng)帶來(lái)的非線(xiàn)性干擾，傳統的線(xiàn)性回聲消除方法失效了，因此可以使用非線(xiàn)性回聲消除算法提高內部噪聲消除的效果。在外部結構設計方面，使用精心設計的麥克風(fēng)陣列減震結構，使多個(gè)麥克風(fēng)和它所連接的電路板之間的震動(dòng)減小到最小，從而最大程度的控制高聲強導致的音箱本體震動(dòng)對拾音的干擾。

　　成熟的語(yǔ)音控制應用解決方案

　　科大訊飛作為中國最大的智能語(yǔ)音技術(shù)提供商，在智能語(yǔ)音技術(shù)領(lǐng)域有著(zhù)長(cháng)期的研究積累，并在中文語(yǔ)音合成、語(yǔ)音識別、口語(yǔ)評測等多項技術(shù)上擁有國際領(lǐng)先的成果。對于智能家居語(yǔ)音控制的應用，必須解決好距離、效率、個(gè)性化、方言、喚醒等問(wèn)題，科大訊飛在這些方面都有非常成熟的解決方案。

　　距離：遠場(chǎng)識別技術(shù)打破距離瓶頸

　　近場(chǎng)識別技術(shù)目前已經(jīng)比較成熟，現在手機上使用的語(yǔ)音輸入功能就屬于近場(chǎng)識別技術(shù)，用戶(hù)必須在離手機比較近的距離內說(shuō)話(huà)，但在智能家居環(huán)境中，用戶(hù)和智能終端之間的距離被大大增加了，用戶(hù)能隨意用語(yǔ)音控制智能家居的一個(gè)必要條件就是在無(wú)論你在客廳哪個(gè)角落發(fā)出指令，設備都能準確的識別，語(yǔ)音識別技術(shù)必須突破距離的障礙。

　　目前室內的語(yǔ)音交互受到背景噪音、其他人聲干擾、回聲、混響等多重復雜因素影響，導致識別率低甚至無(wú)法使用，只能在相對安靜、近距離的環(huán)境下使用。而遠場(chǎng)識別技術(shù)將能夠很好的解決這些問(wèn)題。

　　科大訊飛于2015年3月發(fā)布遠場(chǎng)識別技術(shù)，是目前唯一支持超過(guò)5米的語(yǔ)音識別技術(shù)，突破了語(yǔ)音交互距離瓶頸，大幅度改進(jìn)了語(yǔ)音交互的自由度。該技術(shù)利用麥克風(fēng)陣列的空域濾波特性——在目標說(shuō)話(huà)人方向形成拾音波束(BeamForming)，抑制波束之外的噪聲，結合獨特的去混響算法，最大程度的吸收反射聲，從而達到去除混響的目的，用戶(hù)在客廳的任意角落通過(guò)語(yǔ)音操控智能家電已成為現實(shí)。

　　效率：快速反應實(shí)現秒懂

　　近年來(lái)，隨著(zhù)深度學(xué)習理論的爆發(fā)式發(fā)展及其在語(yǔ)音識別領(lǐng)域獲得的顯著(zhù)效果，同時(shí)Kaldi等開(kāi)源語(yǔ)音識別工具也在工業(yè)界和學(xué)術(shù)界逐漸普及，語(yǔ)音識別的門(mén)檻持續降低，許多公司都具備了語(yǔ)音識別的能力及相關(guān)產(chǎn)品，但是一些產(chǎn)品反應慢，說(shuō)出一句話(huà)往往要等待很久才能顯示結果，另外，準確率也不高，存在識別不出來(lái)的情況。

　　針對語(yǔ)音識別準確率和響應速度的問(wèn)題，科大訊飛持續在核心技術(shù)和產(chǎn)品特性上做出創(chuàng )新，在把國際領(lǐng)先的深度神經(jīng)網(wǎng)絡(luò )技術(shù)引入語(yǔ)音識別的基礎上，基于深度神經(jīng)網(wǎng)絡(luò )的語(yǔ)音增強算法對輸入語(yǔ)音進(jìn)行“識別關(guān)鍵信息無(wú)損”的降噪，通過(guò)海量訓練語(yǔ)料基礎上的高精度聲學(xué)模型和語(yǔ)言模型訓練，并結合極致的解碼引擎工程技術(shù)，實(shí)現了在很小延遲的情況下，做到將去除原始語(yǔ)音的噪聲干擾和識別幾乎同時(shí)，大大提高了語(yǔ)音輸入的響應速度和用戶(hù)體驗，在大詞匯連續語(yǔ)音識別率上可以達到95%以上，命令詞識別率達到99%以上，解碼引擎可以在用戶(hù)說(shuō)完話(huà)40毫秒之內給出結果，真正實(shí)現“秒懂”。

　　個(gè)性化：自動(dòng)學(xué)習適應用戶(hù)使用習慣

　　每個(gè)人在說(shuō)話(huà)時(shí)，口音、語(yǔ)速、口頭禪都不一樣，那么家里的智能設備只會(huì )識別一些基本詞句顯然是遠遠不夠的，它們必須要更懂你。比如，懂你的口音、方言、口頭禪以及時(shí)不時(shí)蹦出的專(zhuān)業(yè)詞匯等。

　　讓智能設備適應每個(gè)人的使用習慣可能嗎?答案是肯定的。這里要用的到就是語(yǔ)音識別的另外一項關(guān)鍵技術(shù)——個(gè)性化識別技術(shù)。個(gè)性化識別指的是語(yǔ)音識別系統具備自動(dòng)學(xué)習并適應用戶(hù)使用習慣的能力，你用的越多，它越懂你。一般來(lái)說(shuō)，個(gè)性化識別包括發(fā)音和語(yǔ)言?xún)煞矫?。其中發(fā)音個(gè)性化主要是指系統對用戶(hù)語(yǔ)速、口音等發(fā)音習慣的學(xué)習，而語(yǔ)言個(gè)性化主要是指系統可以對用戶(hù)的特定詞匯，例如人名、地名、口頭禪、專(zhuān)業(yè)詞匯等，具備更好的辨識性。

　　目前科大訊飛的個(gè)性化識別技術(shù)已能針對每個(gè)人的興趣點(diǎn)、知識背景等來(lái)進(jìn)行個(gè)性化語(yǔ)言模型建模，從而準確識別出個(gè)性化的詞匯內容。以后你用的越多，語(yǔ)音識別系統就會(huì )越懂你。

　　方言：無(wú)拘束隨心控制

　　眾所周知，中國的語(yǔ)音及語(yǔ)言博大精深，雖然國家在推廣標準普通話(huà)方面不遺余力，但是中國真正掌握標準普通話(huà)的人群比例還是比較低的，而中國的口音現象則是紛繁復雜，同城市中不同口音的情況也很常見(jiàn)。因此，當這些帶有或輕或重口音的人群在使用語(yǔ)音輸入時(shí)，如果按通常的方法使用標準普通話(huà)數據進(jìn)行模型的訓練，就會(huì )產(chǎn)生很?chē)乐氐倪m配問(wèn)題，從而影響語(yǔ)音輸入時(shí)的識別效果。

　　“方言”現在也不再是語(yǔ)音識別的障礙，得益于各類(lèi)方言豐富的音頻數據、特殊詞匯、發(fā)音現象等專(zhuān)業(yè)資源以及充分利用深度神經(jīng)網(wǎng)絡(luò )的自學(xué)習特色，目前，訊飛輸入法已經(jīng)陸續支持四川話(huà)、河南話(huà)、東北話(huà)、天津話(huà)等15種方言識別，這些方言識別能力同樣適用于智能家居環(huán)境中。以后，無(wú)論你使用普通話(huà)還是方言，無(wú)論你說(shuō)話(huà)語(yǔ)速快還是慢，普通話(huà)標不標準，在家里都能自由地使用語(yǔ)音控制智能設備。

　　語(yǔ)音喚醒：真正解放雙手

　　由于功耗等方面的限制，智能設備很難24小時(shí)都保持在激活狀態(tài)。因此，要想在家里自由地控制智能家居設備，我們還需要能即時(shí)“喚醒”功能，也就是給智能設備加入“語(yǔ)音喚醒”技術(shù)。

　　語(yǔ)音喚醒，是指通過(guò)含有特定喚醒詞的語(yǔ)音輸入來(lái)“觸發(fā)”語(yǔ)音識別系統以實(shí)現后續的語(yǔ)音交互。通過(guò)該技術(shù)，任何人在任何環(huán)境、任何時(shí)間，無(wú)論是近場(chǎng)還是遠場(chǎng)，面向設備直接說(shuō)出預設的喚醒詞，就能激活產(chǎn)品的識別引擎，從而真正實(shí)現全程無(wú)觸控的語(yǔ)音交互。

　　除了說(shuō)單個(gè)喚醒詞實(shí)現喚醒外，更自然便捷、在技術(shù)上更具有挑戰性的交互方式是在連續語(yǔ)流中帶上喚醒詞，以實(shí)現喚醒產(chǎn)品并同時(shí)實(shí)現操控的效果。目前，語(yǔ)音喚醒方案已在部分產(chǎn)品中取得成功應用，比如在靈犀語(yǔ)音助手中，說(shuō)出“靈犀靈犀，打電話(huà)給張三”就可以喚醒設備并自動(dòng)完成人名識別與撥打電話(huà)。

　　國內外語(yǔ)音控制的市場(chǎng)現狀

　　隨著(zhù)智能家居市場(chǎng)的發(fā)展，國外的IT巨頭們已先后以智能家居產(chǎn)品與語(yǔ)音相結合的方式進(jìn)入智能家居領(lǐng)域：谷歌收購NEST布局智能家居，不斷強化Google Now的語(yǔ)音入口;蘋(píng)果HomeKit智能家居平臺與Siri也不斷加強融合;市場(chǎng)上流行的Echo智能音箱使用了亞馬遜的Alexa語(yǔ)音技術(shù);微軟也發(fā)布語(yǔ)音助手Cortana，將它作為智能家庭領(lǐng)域擴展交互入口。從這些國外科技大佬們對語(yǔ)音產(chǎn)業(yè)的重視和投入，可以看出智能語(yǔ)音與智能家居的融合是大勢所趨，業(yè)內普遍認為語(yǔ)音作為人類(lèi)信息最自然、最便捷的交互方式，必將成為未來(lái)智能家居設備中的重要組成部分。

　　在國內，語(yǔ)音巨頭科大訊飛也在去年8月宣布進(jìn)軍智能家居市場(chǎng)，并于今年3月攜手京東成立合資公司——北京靈隆科技，推出了其生產(chǎn)第一個(gè)產(chǎn)品——DingDong智能音箱，除了具備音箱的基本功能，還可以作為語(yǔ)音助手，更是智能硬件的控制中樞。除此之外，百度、騰訊等都在打造自己的語(yǔ)音團隊。

　　隨著(zhù)國內外巨頭們對語(yǔ)音交互領(lǐng)域投入的增加，語(yǔ)音核心技術(shù)正逐步成熟。智能家居作為 IT 產(chǎn)業(yè)和制造工業(yè)向個(gè)人家居領(lǐng)域滲透發(fā)展的必然結果，語(yǔ)音技術(shù)正不斷進(jìn)入智能家居領(lǐng)域滲透，市場(chǎng)前景廣闊。

　　小貼士

　　Siri是iOS系統上的語(yǔ)音系統，與Siri對話(huà)，就和跟朋友對話(huà)一樣，可以幫您做很多事情，例如發(fā)短信、打電話(huà)、預定餐廳、問(wèn)路等等。也能與Siri做一些很有趣的互動(dòng)，例如讓它幫您拋硬幣或者占卜星座。Siri可以在免提模式下工作，可以通過(guò)Siri進(jìn)行語(yǔ)音操作導航尋找最佳駕車(chē)路線(xiàn)。Siri也可以與HomeKit一起工作以實(shí)現通過(guò)語(yǔ)音來(lái)控制家里的智能產(chǎn)品。Siri還能對接維基百科、Yelp、爛番茄、Shazam等許多第三方在線(xiàn)服務(wù)平臺，幫助用戶(hù)更多地了解與關(guān)注世界。

　　語(yǔ)音交互對于智能家居行業(yè)的意義

　　科技讓生活更智能，語(yǔ)音讓交互更便捷。語(yǔ)音交互對于智能家居最直接的意義在于將“智能家居”變得真正的智能起來(lái)。無(wú)論是再技術(shù)先進(jìn)的品牌，再友善的人機交互界面，都沒(méi)有語(yǔ)音交互控制來(lái)的簡(jiǎn)便直接。所有品牌、所有產(chǎn)品以一個(gè)智能控制的概念進(jìn)駐到人們息息相關(guān)的日常生活中的時(shí)候，少不了需要一個(gè)學(xué)習和適應的過(guò)程，而語(yǔ)音則不需要，我們所有的日常交流、行為習慣，語(yǔ)言和聲音已經(jīng)成了人們思維中的一部分。所以，如果智能家居能與語(yǔ)音交互融于一體，那么智能家居產(chǎn)業(yè)也許會(huì )迎來(lái)一次劃時(shí)代的突破。