从0开始搭建产品经理AI知识框架：语音识别与合成

前言: 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。

所以，以下AI语音相关的分享，会围绕两个方面：

1. 语音技术：语音识别和语音合成

2. 语音技术应用和未来思考

1. 语音技术：语音识别和语音合成

1.1 语音识别：ASK

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：

1. 说出一段话，比如：「产品经理」，机器收到只是一段声波信号。
2. 进行信号的预处理，如：降噪，消除回音…等。
3. 特征提取，如：说了几个字，音调是什么…等。
4. 通过声学模型匹配，输出“音”：chan2,pin3,jing1,li3。（拼音举例）
5. 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。

1.2语音合成：TTS

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。

中文的语音合成技术原理，如下：

1. 先通过规则把一段文字分词，如：我|爱|产品|经理。
2. 把这段文字进行韵律的处理，标出是发什么音。
3. 根据语音库的发音，进行单元的拼接。
4. 最后就可以播放出这段语音了。

目前主要实现是两种方法：

• 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。

此外，语音合成的技术主要体现在四个方面：

• 表现力：不同年龄，性别特征以及语调，语速的表现，个性化。
• 音质：声音的清晰度，无杂音
• 复杂度：减少音库的体积，降低运算量及系统开销。
• 自然度：音律规则，间隔停顿。

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，他不喜欢郭德纲的声音，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。
这个就是在不同场景下用户对于表现力的个性化需求，因人而异。

1.3产品应用中涉及的语音相关技术

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。

2.语音技术应用和未来的思考

目前的语音识别技术，相对成熟应用还在近场语音：

而语音产品方向的未来的挑战：

• 远场语音：智能家居，车载语音…等
• 语音理解：与机器交互更“自然”的沟通

未来远场语音的场景比想象的更为复杂，虽然语音识别的相关技术在智能音箱的家居场景下表现的还不错，但家居环境毕竟相对安静可控，但是其他的远场语音就没有这么顺利了。

例如：
车载识别，在开车的环境下太多噪音，发动机的声音，打开车窗的风声，车胎声，路面声音，这些噪音都会影响到语音的识别。
而解决的方法，是要在识别之前，消除掉这些噪音，但这样就会产生一个问题，那么多种声音，机器怎么知道要消除哪些？保留哪些？
现在的方法是怎么做的？ 扛着个麦克风，去各个车型里面录噪音，然后把各种车，各种场景下的噪音给机器去学习，让机器分辨出哪些声音是要消除的。但不同环境，路面，不同的汽车发出的声音又都不完全一样，有大量的工作和太多不可控的情况。

将来如果想在更多场景，比如酒吧，体育场，就会更复杂，除了环境音，还有更多人说话，比如“鸡尾酒效应”，所以未来的语音之路，挑战会更多。

语音的理解就涉及到另外一个AI技术了“自然语言处理”，目的是与机器沟通时候，它可以更好的理解你的意思，并给出相对的判断或反馈，避免像现在的聊天机器人出现的所答非所问，上句不接下句的情况，而有关自然语言处理，是一个更大的课题，也是AI目前的主要瓶颈之一，会再下一个分享中具体进行讨论。

以上就是我有关AI语音的分享，是AI PM认知系列的第三篇，如果任何的疑问或建议，欢迎随时沟通探讨。

AI PM认知系列的相关阅读：
第一篇：从0开始搭建产品经理的AI认知体系
第二篇：产品经理的AI知识框架：计算机视觉
第三篇：产品经理的AI知识框架：语音识别与合成

作者：兰枫，前腾讯游戏，新浪微博PM，Elex产品总监，连续创业者。