1月11日，由國家工業(yè)信息安全發(fā)展研究中心主辦，科大訊飛股份有限公司、國家語音及圖像識別產(chǎn)品質(zhì)量檢驗(yàn)檢測中心、國家智能語音創(chuàng)新中心協(xié)辦的中國智能語音產(chǎn)業(yè)發(fā)展高峰論壇暨2022年中國語音產(chǎn)業(yè)聯(lián)盟年會成功舉辦。
會上，中國語音產(chǎn)業(yè)聯(lián)盟發(fā)布《中國智能語音產(chǎn)業(yè)發(fā)展報(bào)告（2021―2022）》，報(bào)告指出，我國智能語音產(chǎn)業(yè)整體發(fā)展環(huán)境積極向好，多項(xiàng)關(guān)鍵技術(shù)取得突破，產(chǎn)業(yè)扎根不斷深入，已形成大中小企業(yè)融通創(chuàng)新、協(xié)同發(fā)展的健康生態(tài)。
市場規(guī)模高速增長龍頭企業(yè)占據(jù)主導(dǎo)份額
智能語音作為智能時代人機(jī)交互的關(guān)鍵接口，各行業(yè)爆發(fā)式的場景需求驅(qū)動行業(yè)發(fā)展進(jìn)入黃金期，技術(shù)突破和應(yīng)用落地不斷深入。從全球范圍來看，2022年全球智能語音產(chǎn)業(yè)規(guī)模將達(dá)351.2億美元，保持33.1%的高速增長；從我國來看，根據(jù)德勤統(tǒng)計(jì)數(shù)據(jù)，2022年我國智能語音市場規(guī)模將達(dá)341億元，同比增長13.4%。
報(bào)告指出，以科大訊飛為代表的語音龍頭企業(yè)布局較廣，是行業(yè)創(chuàng)新發(fā)展的支柱，占據(jù)較大市場份額。同時，科大訊飛、百度、阿里等龍頭企業(yè)通過打造技術(shù)能力開放平臺，構(gòu)建開源生態(tài)，引領(lǐng)行業(yè)技術(shù)創(chuàng)新和應(yīng)用開發(fā)。以訊飛開放平臺為例，目前已開放545項(xiàng)AI產(chǎn)品及能力，聚集超過380.5萬開發(fā)者團(tuán)隊(duì)，開發(fā)出超過159.5萬個AI應(yīng)用，并從AI龍頭�開發(fā)者的“二維”生態(tài)，升級到AI龍頭�行業(yè)龍頭�開發(fā)者的“三維”生態(tài)，聯(lián)合行業(yè)龍頭搭建基線系統(tǒng)，讓更多開發(fā)者加入數(shù)字經(jīng)濟(jì)浪潮。
關(guān)鍵技術(shù)突破筑牢行業(yè)堅(jiān)實(shí)底座
“2022年是智能語音技術(shù)突破的關(guān)鍵年”，報(bào)告指出，我國智能語音企業(yè)在多項(xiàng)難點(diǎn)技術(shù)上實(shí)現(xiàn)新的突破?？v向上從語音識別、合成、翻譯向計(jì)算機(jī)視覺、認(rèn)知智能、運(yùn)動智能領(lǐng)域延伸，橫向上從單點(diǎn)技術(shù)突破模式發(fā)展到機(jī)器認(rèn)知、多模式復(fù)雜場景應(yīng)用。
在語音識別方面，視聽融合的多模態(tài)交互技術(shù)成為技術(shù)演進(jìn)的主要方向?？拼笥嶏w多模語音增強(qiáng)技術(shù)融合語音與視覺的多模感知，讓高噪音場景下的語音交互跨過實(shí)用門檻，率先在車載、會議、地鐵購票和醫(yī)療掛號等場景落地。此外，針對低資源語音識別難題，海天瑞聲和科大訊飛分別從語音數(shù)據(jù)和算法層面推動技術(shù)進(jìn)步。
在語音合成方面，隨著電商直播等行業(yè)的繁榮，語音合成技術(shù)也表現(xiàn)出擬人化、口語化的發(fā)展趨勢?？拼笥嶏w多風(fēng)格多情感語音合成系統(tǒng)SMART-TTS可提供11種強(qiáng)度可調(diào)的情感合成能力。而火山語音的超自然對話語音合成和Meta的語音對語音翻譯（speech- to- speech translation，S2ST），通過在模型訓(xùn)練中添加副語言數(shù)據(jù)，讓語音交互更加自然和個性化。
要促進(jìn)智能語音技術(shù)持續(xù)突破，與會專家從兩個方向提出了發(fā)展路徑。一方面，中國科學(xué)院院士姚建銓指出，針對智能語音多學(xué)科交叉的學(xué)科特性，研究人員需要探索新原理、新機(jī)制、新材料、新工藝和新器件，集成創(chuàng)新推動核心技術(shù)進(jìn)步；另一方面，語音技術(shù)需要進(jìn)一步向深度理解延伸，科大訊飛總裁吳曉如表示，“更先進(jìn)的語音交互系統(tǒng)不僅要‘能聽會說’，還要深度去理解人的信息”，自然語言理解和知識推理技術(shù)的進(jìn)步，讓機(jī)器可以在越來越多的領(lǐng)域幫助人類解決更專業(yè)和復(fù)雜的問題。
應(yīng)用規(guī)?；涞丶铀倥c實(shí)體經(jīng)濟(jì)融合
報(bào)告指出，受疫情和產(chǎn)業(yè)數(shù)字化、智能化轉(zhuǎn)型影響，智能語音應(yīng)用場景迅速鋪開。據(jù)德勤統(tǒng)計(jì)數(shù)據(jù)，預(yù)計(jì)到2030年，智能語音消費(fèi)級和企業(yè)級應(yīng)用市場可分別超過700億和千億規(guī)模。
在消費(fèi)者產(chǎn)品領(lǐng)域，AI學(xué)習(xí)機(jī)、翻譯筆等AI�學(xué)習(xí)產(chǎn)品幫助學(xué)生學(xué)習(xí)減負(fù)增效；智能
錄音筆、智能辦公本、智能鼠標(biāo)等AI�辦公產(chǎn)品深受職場人士歡迎；AI翻譯機(jī)、智能麥克風(fēng)、智能語音鍵盤、智能耳機(jī)、智能助聽器等AI�生活產(chǎn)品，讓更多人享受AI科技的便利。
在汽車領(lǐng)域，智能語音已成為人機(jī)交互關(guān)鍵環(huán)節(jié)，并從車內(nèi)交互衍生到車外交互，從單模交互走向多模交互，從被動交互發(fā)展為主動交互，為車企提供全棧技術(shù)賦能。以科大訊飛為代表的國內(nèi)AI龍頭已占據(jù)中國語音交互車端應(yīng)用行業(yè)的領(lǐng)先地位。
在運(yùn)營商領(lǐng)域，智能語音技術(shù)與健康養(yǎng)老、家庭教育、家庭娛樂等場景結(jié)合，帶來更加智慧的家庭生活體驗(yàn)。融合5G與機(jī)器翻譯技術(shù)的無障礙智能通信，讓普通的5G手機(jī)用戶不用下載任何軟件就可以使用實(shí)時翻譯和轉(zhuǎn)寫服務(wù)，實(shí)現(xiàn)跨語種的無障礙視頻通話。
在教育領(lǐng)域，科大訊飛全球中文學(xué)習(xí)平臺已覆蓋全球183個國家，吸引300多萬海外中文學(xué)習(xí)愛好者使用；利用智能語音和人工智能技術(shù)可實(shí)現(xiàn)英語聽說教、學(xué)、考、評、管一站式服務(wù)，減少無效訓(xùn)練。
在醫(yī)療領(lǐng)域，去年疫情期間，科大訊飛電話機(jī)器人助力全國31個?。▍^(qū)、市）的112個地市疫情排查，累計(jì)服務(wù)超1.1億人次；智能外呼和智醫(yī)助理可用于獨(dú)居老人、留守兒童的日常關(guān)愛和兜底保障。
在城市領(lǐng)域，智能語音技術(shù)已在安徽省一體化網(wǎng)上政務(wù)服務(wù)平臺、山東聊城城市大腦、海南三亞市崖州灣科技城智慧產(chǎn)城園區(qū)、天津市AI銀發(fā)智能服務(wù)平臺等創(chuàng)新示范項(xiàng)目中應(yīng)用。姚建銓院士指出，智能語音與建設(shè)智慧城市的要求完全吻合，可以實(shí)現(xiàn)各種語音高效轉(zhuǎn)換和智能處理，為智慧城市進(jìn)一步建設(shè)帶來新的機(jī)遇。
在工業(yè)領(lǐng)域，我國打造了包括國家智能語音創(chuàng)新中心在內(nèi)的一批語音技術(shù)創(chuàng)新“國家隊(duì)”，開展工業(yè)聲學(xué)、多語種、AI語音芯片等關(guān)鍵共性技術(shù)研究工作。科大訊飛聯(lián)合國家智能語音創(chuàng)新中心打造的工業(yè)聽診器、聲學(xué)成像儀、工業(yè)設(shè)備衛(wèi)士、智能巡檢機(jī)器人等“工業(yè)六感”產(chǎn)品，已廣泛應(yīng)用到生產(chǎn)、質(zhì)檢、巡檢等多個工業(yè)環(huán)節(jié)。
在金融領(lǐng)域，聲紋識別技術(shù)已經(jīng)被應(yīng)用在各類身份認(rèn)證環(huán)節(jié)。得意音通董事長鄭方表示，聲紋是目前除DNA外最可靠的身份認(rèn)證方式，相比傳統(tǒng)方法具有明顯優(yōu)勢。此外，科大訊飛智能客服機(jī)器人、智能聯(lián)絡(luò)中心AICC等AI�金融應(yīng)用，幫助金融機(jī)構(gòu)提升客服和運(yùn)營效率。
展望智能語音產(chǎn)業(yè)未來發(fā)展，報(bào)告認(rèn)為，后競爭時代亟須關(guān)注新增的不確定性因素，包括核心關(guān)鍵技術(shù)能力仍需提升，開源生態(tài)培育仍需加大投入，重點(diǎn)應(yīng)用場景落地仍需提速，傳統(tǒng)行業(yè)開放場景動能不足等。
