錘子科技2016年新品發(fā)布會的日子，由于此前錘子科技屢被傳倒閉或被收購的消息，再加上被媒體戲稱為羅永浩單口相聲的謝幕演出而備受關(guān)注。不過，讓人萬萬想不到的是，由于羅永浩在新品手機發(fā)布會上的大力推介，智能語音卻突然火了，火爆程度甚至超過了人們對于錘子科技新品手機M1和M1L的關(guān)注，很多人紛紛下載語音輸入法進行嘗鮮體驗，并引發(fā)智能語音究竟哪家強的討論。那么，智能語音技術(shù)在當(dāng)下到底是怎樣的水平？誰又是行業(yè)里真正的領(lǐng)頭羊？東樓不妨來分析解讀一下：
語音識別準確率：搜狗與訊飛平分秋色
實際上，盡管羅永浩這次在發(fā)布會上演示讓人們對于智能語音的認知度大大提升，但實際上，智能識別語音并轉(zhuǎn)化為文字輸入的語音識別技術(shù)并不是訊飛專為錘子手機打造的獨有黑科技。在智能語音這項人工智能技術(shù)上，除了訊飛之外，包括搜狗地圖標(biāo)注、百度等互聯(lián)網(wǎng)公司也多有投入并已經(jīng)取得一定的成功。并且，在錘子新品發(fā)布會之前，搜狗、訊飛等廠商的智能語音系統(tǒng)的識別準確率已經(jīng)達到了一個空前的高度。
就在今年7月，在極客公園舉辦的奇點·創(chuàng)新者峰會上，搜狗CEO王小川就利用搜狗公司的語音識別技術(shù)，在演講現(xiàn)場將其演講內(nèi)容實時生成了滾動字幕顯示，目測準確率高達95%以上。而根據(jù)搜狗官方最新數(shù)據(jù)顯示，通用語音識別準確率高達97%。而在今年兩會期間，作為全國人大代表，科大訊飛股份有限公司董事長劉慶峰接受新華社記者專訪時表示，訊飛聽見智能語音系統(tǒng)，現(xiàn)場實測識別率達9５％。
因此，如果雙方透露的信息屬實，那么目前雙方在在線語音識別率方面應(yīng)該基本上處于平分秋色的狀態(tài)。而根據(jù)視頻測試平臺ZEALER的對于搜狗、百度、訊飛等語音識別功能的在線測評也顯示，幾家不相伯仲，搜狗的語音識別準確率方面不分伯仲，但搜狗在識別速度方面要略高于訊飛、百度等競爭對手。
智能語音的進化：海量用戶和數(shù)據(jù)是基礎(chǔ)
不過，盡管通過羅永浩的演示，讓很多人現(xiàn)在才知道智能語音原來已經(jīng)強大到如此程度，但實際上搜狗、訊飛等這兩家作為目前語音識別率最高的廠商，之所以能夠達到現(xiàn)在這個水平高度，無一例外都是依靠較早的布局和長期的投入。
在此之前，訊飛智能語音系統(tǒng)方面有多達四五年的投入，而搜狗在智能語音方面的技術(shù)積累甚至還要更早，這得益于其在輸入法市場上強勢滲透以及龐大的用戶規(guī)模，搜狗在智能語音方面識別率提升非常之快。而搜狗之所以能夠在過去的一段時間里，在語音識別率方面一直處于前列，恰恰就是其在輸入法、地圖等需要大量調(diào)動語音識別功能進行的應(yīng)用加速了其在技術(shù)方面的成熟。
我們知道，智能語音作為人工智能的一種，同樣需要依賴大量的數(shù)據(jù)進行機器學(xué)習(xí)，只有擁有海量的語料才能夠越來越智慧和聰明。而根據(jù)比達咨詢發(fā)布了《2016年第2季度中國第三方手機輸入法市場研究報告》顯示，在2016年第二季度中國手機輸入法市場中，搜狗輸入法以70.4%的市場份額繼續(xù)保持領(lǐng)先，并在月活躍用戶數(shù)上，以2.7億用戶的優(yōu)勢排名第一。另據(jù)統(tǒng)計顯示，搜狗輸入法每天語音輸入頻次近1.8億次，而如此頻繁的語音輸入操作為搜狗的智能語音系統(tǒng)提供了海量的語料數(shù)據(jù)，從而使得機器不斷學(xué)習(xí)，識別也越來越精準，而這正是目前搜狗在智能語音識別方面能夠持續(xù)進化和領(lǐng)先的一個重要原因。
應(yīng)用場景是否豐富決定智能語音的真正成就？
另一方面，我們知道，雖然由于羅永浩在錘子手機新品發(fā)布會上的推薦，讓智能語音應(yīng)用迅速成為熱門，尤其是為訊飛輸入法瞬時間帶來了不少的下載量，甚至還間接帶動了人們在搜狗輸入法、搜狗地圖等應(yīng)用上對搜狗語音的使用和活躍。但是，很多人只是抱著嘗鮮的想法使用訊飛或搜狗語音，并不是真實的應(yīng)用場景下的正常驅(qū)動，更多的人還是將語音識別技術(shù)作為一個好玩的小游戲來進行測試，其目的只是為了測試語音輸入的識別率究竟能夠達到多高，因此最終能夠有多少用戶真正成為智能語音輸入法的忠實用戶讓人留有疑問。
目前來看，人們對于智能語音識別轉(zhuǎn)化文字這樣的場景需求并沒有想象的那么豐富。畢竟通過智能語音識別轉(zhuǎn)化為文字的輸入方式，并不是人們最為常用的溝通和聊天的方式，現(xiàn)在人們通過語音輸入轉(zhuǎn)化識別為文字，更多的還是一種寫作或速記的需求，因此場景使用還稍顯小眾。而語音不僅僅承載著表達和溝通的作用，而且通過聲音更是可以直接傳遞情感，而一旦語音轉(zhuǎn)化成為文字內(nèi)容再進行溝通交流也滿足不了提高溝通效率的要求。而只有基于人與人之間的提高溝通效率的強烈需求時，智能語音市場才有可能真正爆發(fā)。
不過，智能語音作為集合機器學(xué)習(xí)、大數(shù)據(jù)、語音識別等技術(shù)的集大成者，隨著識別越來越精準，應(yīng)用場景的越來越豐富，成為下一代入口并不是不可能。而如何最大的程度的發(fā)揮智能語音這項人工智能領(lǐng)域的重要技術(shù)，以及如何運用其技術(shù)優(yōu)勢對未來進行戰(zhàn)略布局就成為訊飛、搜狗等公司的重要課題。就在今年8月，基于智能語音技術(shù)，搜狗發(fā)布了不僅能聽會說，還具有能理解會思考的能力的語音交互引擎技術(shù)—知音，率先展開了對智能語音使用場景方面的探索。
根據(jù)介紹，搜狗知音引擎不僅有高達97%的語音識別率，而且還支持用戶直接用自然語言進行糾錯，這使得其能夠處理更加復(fù)雜的自然語言邏輯而且還可以進行多輪交互處理，并已經(jīng)應(yīng)用在包括搜狗輸入法、搜狗搜索、搜狗地圖等在內(nèi)的搜狗全線產(chǎn)品當(dāng)中，而這無疑對于智能語音的應(yīng)用場景進行了極大的擴展。在這個過程中，智能語音的使用場景并不單一，而是在人們真正需要時才進行調(diào)動使用，而基于多輪交互技術(shù)，智能語音輸入的優(yōu)勢也能真正得以發(fā)揮，這無疑能讓智能語音技術(shù)真正為人們所用。
總體而言，無論如何，包括搜狗、訊飛等在內(nèi)的所有智能語音廠商都應(yīng)該感謝昨晚在老羅的錘子發(fā)布會發(fā)布會對語音輸入的重點推介，這使得人們把語音輸入作為輸入習(xí)慣進行普及起到了一個很好的推動作用。而且，由于羅永浩這樣的意見領(lǐng)袖的推薦，一方面使得更多的人開始嘗試通過語音進行輸入，能夠顯著加快人們對于語音輸入的普及；另一方面，大量的潛在用戶紛紛涌入到智能語音平臺上進行語音的輸入，這無疑將為這些智能語音系統(tǒng)積累更多的語料，促使智能語音技術(shù)進一步發(fā)展，最終使得搜狗、訊飛等在智能語音方面早有布局的廠商大為受益，領(lǐng)先優(yōu)勢繼續(xù)擴大。