隨著行業(yè)數(shù)字化、智能化不斷升級加速，語音交互場景從生活擴展到企業(yè)應用，從人機交互擴展到人人交互，越來越多樣化的需求，對語音交互技術(shù)提出了更高的要求。

　　11月4日，在2021騰訊數(shù)字生態(tài)大會云智能專場，騰訊云小微與騰訊AI Lab聯(lián)合發(fā)布了全新技術(shù)品牌——騰訊語音智能，為設備提供在復雜語音環(huán)境下，從輸入到輸出交互體驗全面升級的全鏈路的AI+聲學技術(shù)解決方案。

　　騰訊語音智能讓語音技術(shù)更好地處理復雜多變的環(huán)境，為用戶提供更加自然、智能、擬人化的語音交互體驗，為產(chǎn)業(yè)提供更加便捷、低成本、可定制的解決方案。在生活、服務及生產(chǎn)等場景，在智能家居、車載語音交互、智能客服、語音質(zhì)檢、口語考試、司法轉(zhuǎn)寫、會議轉(zhuǎn)寫等領(lǐng)域都有廣闊的應用空間。

　　順應場景、需求、設備升級趨勢  全面助力更自然的語音交互體驗

　　本次大會上，騰訊首次公布了云智能戰(zhàn)略架構(gòu)，面向管理者、生產(chǎn)者、開發(fā)者和用戶四類人群，提供決策、協(xié)作、創(chuàng)新和服務四大核心能力，同時依托人工智能、大數(shù)據(jù)、云計算和物聯(lián)網(wǎng)的云智能架構(gòu)，貼合客戶的產(chǎn)業(yè)場景需求，輸出面向各行業(yè)的智能綜合解決方案。騰訊語音智能作為騰訊云智能戰(zhàn)略重要技術(shù)能力支撐，始終堅持“服務于人”的價值理念，為用戶帶來自然的語音交互體驗，讓智能交互科技的發(fā)展惠及生活、產(chǎn)業(yè)的方方面面。

　　從手機助手、智能家居、車載交互等滿足大眾需求的應用，到智能客服、會議轉(zhuǎn)寫等智能化升級下的行業(yè)性需求，從人機交互到遠程會議語音降噪、口語翻譯等人人交互場景需求，目前，語音交互的場景和需求在不斷增加。隨著專用芯片的出現(xiàn)和端上計算能力的不斷增強，運行載體擴展到了云、端、芯多種形式，搭載語音交互的設備也變得更為多樣化。

　　而現(xiàn)有的技術(shù)方案仍有很多問題難以解決。比如，在復雜、嘈雜場景中容易受到環(huán)境噪音的影響，不能有效識別和分離出目標人物語音，還會受到網(wǎng)絡情況、麥克風等硬件設備的制約，導致智能終端在與用戶的交互過程中，無法快速準確地進行識別并做出相應的回復，阻礙人機交互體驗的提升。

　　騰訊在語音智能領(lǐng)域擁有深厚的能力積累，目前，騰訊語音語義有超過3400項專利，發(fā)表超過500篇頂會論文，累計服務3.5億智能終端。騰訊云小微依托其強大的語音智能能力，結(jié)合騰訊AI Lab領(lǐng)先的AI基礎能力，基于對用戶場景及需求的深刻洞察，完成了一次技術(shù)迭代與升級，聯(lián)合打造出了一款能夠提升語音識別效果和效率的全鏈路AI+聲學技術(shù)解決方案——騰訊語音智能。

　　突破業(yè)內(nèi)技術(shù)瓶頸 深耕行業(yè)發(fā)展需求 全面提升語音智能交互能力

　　相對于傳統(tǒng)解決方案，騰訊語音智能在技術(shù)上實現(xiàn)了突破性升級。通過采用一體化的基于全神經(jīng)網(wǎng)絡的方案，極大提升了在復雜場景下語音采集、降噪分離和增強的效果，從而為人人通話或機器識別提供了更清晰易懂的語音。通過使用基于語音語義聯(lián)合優(yōu)化的多領(lǐng)域識別器，讓機器對于各種復雜語音的識別率也得到極大提升，可以更好地進行轉(zhuǎn)寫、理解、和回復。

　　另外，騰訊語音智能可以支持多種應用場景和設備，擁有優(yōu)秀的場景適配性和通用性，面向?qū)嶋H場景的定制優(yōu)化更簡單、高效，在為用戶提供更加優(yōu)質(zhì)、自然語音交互體驗的同時，也為企業(yè)場景中的語音服務需求降低了運行和定制成本，助力其降本增效，加快產(chǎn)業(yè)數(shù)字化升級。

　　在戶外、酒會等高噪聲、嘈雜的環(huán)境中使用手機助手、智能客服等語音服務時，環(huán)境的噪聲會對目標人物語音的收集帶來極大干擾，語音收集反饋的錯誤率也會隨之提升。騰訊語音智能在前端技術(shù)上，通過研發(fā)全神經(jīng)網(wǎng)絡波束成型方案、構(gòu)建集合全鏈路的神經(jīng)網(wǎng)絡模型方案、首創(chuàng)用三種模態(tài)進行語音分離的工作模式，完成了行業(yè)內(nèi)的多項技術(shù)突破，可有效應對環(huán)境噪聲干擾人聲的問題，實現(xiàn)了場景深度定制，多模塊自動聯(lián)合優(yōu)化，在復雜聲學環(huán)境中大幅度降低了語音收集的錯誤率。數(shù)據(jù)表示，經(jīng)過多模態(tài)語音分離再進行語音識別，錯誤率可降低相對50%，經(jīng)過多模態(tài)分離并聯(lián)合進行多模態(tài)的語音識別，錯誤率可進一步降低相對25%。

　　在家居和車載等真實場景下，除了需要克服環(huán)境噪聲、人聲干擾等問題外，還需要應對多種挑戰(zhàn)，諸如識別任務復雜度高，用戶口音多變、用戶更自然的語音交互體驗需求，以及低資源設備上識別性能的提升等。深入問題探索，騰訊語音智能在后端處理環(huán)節(jié)研發(fā)了“語音-語義結(jié)合的多領(lǐng)域在線識別系統(tǒng)”、“全雙工交互及閑聊拒識”、“端到端高性能離線識別系統(tǒng)”等技術(shù)方案，運用深度學習建模、前后端聯(lián)合優(yōu)化、語音-語義聯(lián)合優(yōu)化等技術(shù)手段，很好地滿足了不同應用場景下,對于語音交互在識別率、魯棒性、資源消耗和用戶體驗等多方面的要求。

　　目前，騰訊語音智能已經(jīng)為索尼電視、飛利浦電視提供技術(shù)支持，為家居場景中的人機互動提供更智能的語音體驗；在車載交互領(lǐng)域，助力長安汽車、福特汽車等，提升語音助手服務質(zhì)量，給用戶更好的智能出行服務。

    未來，隨著行業(yè)和場景需求的迭代升級和智能終端的快速發(fā)展，智能語音的應用將擁有越來越大的發(fā)展空間。騰訊語音智能將持續(xù)專注語音智能技術(shù)，發(fā)展連續(xù)對話、多模態(tài)交互等能力，為用戶構(gòu)建更具個性化、更自然、更有情感的語音交互體驗，以“交互智能”為大眾帶來更加智能化的生活方式。