AI PM认知系列第三篇，字数：2300+，速读需4分钟
从早期苹果的Siri，到最近国内的智能音箱大战，越来越多AI语音产品走入了大家的生活。
近几天我也在思考，相比已有更落地方案的计算机视觉，
AI的语音技术
在产品应用中的本质是什么？这个思考我也跟一些语音领域的专家探讨过，而其中我个人的理解是：
AI语音技术的本质，通过效率的提升，场景的便捷，重新定义了用户体验。
为什么我这么理解？那我们先来看看语音有哪些天然属性：
-
提升效率
：一分钟400字的速度靠打字是无法超越的，所以特定行业，语音的技术可以大大的提升人机的效率。
-
操作便捷：
解放了你的双手，除了一些基本的操作，无需要每个字都操作键盘或点击屏幕了。
-
学习成本：
对于不认字的老人和小孩，可以用语音来进行检索和进行操作，对于不会拼音的人，也可以使用语音识别。
-
语音技术：语音识别和语音合成
-
语音技术应用和未来思考
语音识别（Automatic Speech Recognition）是以语音为研究对象，通过语音信号处理和模式识别让计算机自动识别人类口述语言。
简单来说，就是让机器可以听得懂人话。
其中比较核心的部分是
语音听写
：就是将语音信息转化为文字信息。
中文语音听写的技术原理，如下：
-
说出一段话，比如：「产品经理」，机器收到只是一段声波信号。
-
进行信号的预处理，如：降噪，消除回音…等。
-
特征提取，如：说了几个字，音调是什么…等。
-
通过声学模型匹配，输出“音”：chan2,pin3,jing1,li3。（拼音举例）
-
通过语言模型处理，最终得到文字：产品经理。
而这里的
特征提取，声学模型
和
语言模型
在技术实现上，有两种方法：
-
传统：隐马尔可夫模型（HMM）
-
端到端：深度神经网络（DNN）
目前语音识别技术主要是通过DNN实现的，特定场景下最高可以达到
97%的识别率
。
语音合成（Text-To-Speech）是计算机将自己产生的、或外部输入的文字信息转变为可以听得懂的、流利的汉语口语输出的技术。
简单来说，就是机器讲文字朗读出来。
-
先通过规则把一段文字分词，如：我|爱|产品|经理。
-
把这段文字进行韵律的处理，标出是发什么音。
-
根据语音库的发音，进行单元的拼接。
-
最后就可以播放出这段语音了。
-
拼接法：把录音的句子切碎成基本单元存储起来，再根据需要拼接起来。
-
参数法：通过录音提取波形的参数存储起来，早根据参数转化为波形。
拼接法
的优点就是更自然，但是缺点是需要大量的录音，和存储。
参数法
的优点就是存储小，但是缺点就是不够自然，听起来就是怪怪的机器发音。
另外
谷歌发布的
WaveNet
是基于语音网络使用生成算法制作而成的，相对于以前的拼接法、参数法，在声音表现力上更具优势。
目前的语音合成技术相对比较成熟，进一步优化的同时，大家的重点都放在了
表现力
上，以符合更多的场景应用，满足不同人对个性化的需求。
举个例子：
前一段时间，我打车时候看到司机师傅使用高德的语音导航，语音合成用的是一个
小朋友的声音
，我们就聊了起来，司机师傅说他才刚开始拉活，路不熟，用过郭德纲的声音，但是话忒多，他用小朋友的声音，一个是
语速慢
，另外一个是
吐字清晰
，不会因为听不清楚走错路。
这个例子说明在不同场景下用户对于表现力的
个性化需求
。
目前我们用微信语音或者是Siri时，都属于近场的识别，而智能音箱，车载设备，机器人的语音都属于
远场识别
，远场识别会受到，距离，噪音，混响…等问题，需要有其他的相关技术来配合完成，提高识别率。
麦克风阵列：
由一定数量的麦克风组成，用来对声场的空间特性进行采样并处理的系统。用于在会议室、户外、商场等各种复杂环境下，解决噪音、混响、人声干扰、回声等各种问题。
麦克风阵列
又分为：2麦克风阵列，4麦克风阵列，6麦克风阵列，6+1麦克风阵列。
随着麦克风数量的增多
，
拾音的距离
，
噪声抑制
，
声源定位的角度
，以及价
格
，都会上升，所如如何选择要贴合实际应用的场景，找到最佳的方案。
比如：
猎豹小雅AI音箱，用的就是
6+1麦克风阵列
，因为要针对360度的3-5米的场景中使用。而很多家电，比如电视机都是贴墙放置的，
2麦克风阵列
的180度，就足够使用了。
而两者麦克风阵列
技术要求和价格相差数倍
。所以对于产品落地来讲，在提供解决方案的时候，选择最优的方案。
语音激活检测：
在用微信时候，你会点击语音的按钮，来让语音开始识别。而在远场的时候，没有办法进行相关的操作，所以需要判断什么时候有语音，什么时候没有语音。
语音唤醒：
通过关键词来唤醒你的语音设备，比如：嘿～Siri，这时候语音识别才开始工作。
语音唤醒
难点
在于，唤醒的
响应时间
，
功耗要低
，唤醒的
漏报和误报率
……等。
