【正文】 專業(yè)整理分享 。此外，Siri其實(shí)是蘋果買來的，在蘋果買來之前，Siri本來是會(huì)推出Android版本的，可是，被蘋果購買后，Android版本的Siri取消了。不同的是，這個(gè)技術(shù)針對(duì)的是一些生活信息，這些信息的地域化程度很高，典型代表為Yelp。相比于知識(shí)計(jì)算技術(shù)，這些技術(shù)需要人的參與，這有利也有弊，利就是，畢竟暫時(shí)人比機(jī)器聰明，編輯出來的知識(shí)更豐富，準(zhǔn)確；弊就是，人力有限，即使像維基那樣，發(fā)動(dòng)社區(qū)的力量，也不能產(chǎn)生足夠的知識(shí)，而知識(shí)計(jì)算，理論上，只需要算法足夠精準(zhǔn)，是可以產(chǎn)生“無限”的知識(shí)的。知識(shí)數(shù)據(jù)庫技術(shù)的代表是維基百科，以及各種專門的百科網(wǎng)站。想測(cè)試這項(xiàng)技術(shù)的請(qǐng)移步Wolfram|Alpha。和網(wǎng)頁搜索技術(shù)不同的是，在這個(gè)系統(tǒng)中，得到的答案結(jié)構(gòu)化程度很高，比如搜索China，能得到和中國相關(guān)的各種參數(shù)以及資料，并以接近表格的方式呈現(xiàn)。知識(shí)計(jì)算（搜索）技術(shù)（Computational Knowledge）這個(gè)技術(shù)的代表是Wolfram|Alpha。國外比較早的應(yīng)該是IBM ViaVoice。而語音識(shí)別，由于涉及到語義理解，難度大大加大，需要大量的知識(shí)庫，一般需要在云端完成。文字轉(zhuǎn)語音(texttospeech, TTS)系統(tǒng)則是將一般語言的文字轉(zhuǎn)換為語音，其他的系統(tǒng)可以描繪語言符號(hào)的表示方式，就像音標(biāo)轉(zhuǎn)換至語音一樣。語音合成是將人類語音用人工的方式所產(chǎn)生。與說話人識(shí)別及說話人確認(rèn)不同，后者嘗試識(shí)別或確認(rèn)發(fā)出語音的說話人而非其中所包含的詞匯內(nèi)容。這些后臺(tái)技術(shù)包括：以Google為代表的網(wǎng)頁搜索技術(shù)；②以Wolfram Alpha為代表的知識(shí)搜索技術(shù)（或者知識(shí)計(jì)算技術(shù)）；③以Wikipedia為代表的知識(shí)庫（和Wolfram Alpha不同的是，這些知識(shí)來自人類的手工編輯）技術(shù)（包括其他百科，如電影百科等）；④以Yelp為代表的問答以及推薦技術(shù)。而語音合成則是把返回的文字結(jié)果轉(zhuǎn)化成語音輸出，這個(gè)技術(shù)理論上本地就能完成。首先，在前端方面，即面向用戶，和用戶交互（User Interface，UI）的技術(shù)，主要是語音識(shí)別以及語音合成技術(shù)。”Siri是IOS上的個(gè)人助理應(yīng)用：此軟件使用到自然語言處理技術(shù)，使用者可以使用自然的對(duì)話與手機(jī)進(jìn)行互動(dòng)，完成搜尋資料、查詢天氣、設(shè)定手機(jī)日歷、設(shè)定鬧鈴等服務(wù)。整個(gè)CALO計(jì)劃的帶頭人名叫Adam Cheyer，他現(xiàn)在也是蘋果iPhone團(tuán)隊(duì)的工程總監(jiān)。 競(jìng)爭(zhēng)產(chǎn)品舉例SIRI（IPHONE 4S） 2011年10月，Apple發(fā)布了iphone 4S with IOS 5,其中最大的亮點(diǎn)就是一個(gè)智能語音搜索軟件Siri。語音技術(shù)與具體語言的發(fā)音和語法特點(diǎn)具有密切相關(guān)性，因此語音市場(chǎng)具有較高的本土化特征，以Nuance為例，其74%的收入來源于美國市場(chǎng)，26%的收入來源于其他國家，其中包括通過收購歐洲公司所獲得的收入。Nuance以前對(duì)中國市場(chǎng)重視度不高，主要通過代理商進(jìn)行產(chǎn)品銷售，目前已開始加大對(duì)中國語音市場(chǎng)的開拓力度，其投入重點(diǎn)集中于企業(yè)級(jí)市場(chǎng)和導(dǎo)航設(shè)備市場(chǎng)。 2009年全球語音識(shí)別市場(chǎng)份額：國內(nèi)語音技術(shù)市場(chǎng)目前仍以語音合成為主，語音識(shí)別技術(shù)則處于市場(chǎng)導(dǎo)入期。我們預(yù)計(jì)隨著語音芯片成本的不斷下降和專業(yè)玩具設(shè)計(jì)廠商的加入，智能語音玩具市場(chǎng)有望出現(xiàn)快速增長。缺乏有吸引力的玩具設(shè)計(jì)與成本較高是目前制約智能語音玩具大規(guī)模推廣的主要原因。 我國玩具產(chǎn)業(yè)規(guī)模龐大 語音識(shí)別技術(shù)以嵌入式芯片的方式應(yīng)用于各類玩具，會(huì)有很大的發(fā)展前景。據(jù)中國玩具協(xié)會(huì)統(tǒng)計(jì)，約64%的成人消費(fèi)者表示有興趣購買適合自己的玩具，估計(jì)成人休閑益智玩具市場(chǎng)每年約值500億元人民幣。有34%的城市消費(fèi)者選購電子玩具，31%選擇智能型玩具，23%選擇高檔毛絨、布制玩具。大中城市的消費(fèi)者普遍可接受的玩具價(jià)格在100元以下，一些售價(jià)在1000元以上的高檔玩具同樣有市場(chǎng)。科大訊飛目前在語音教具市場(chǎng)和語音評(píng)測(cè)市場(chǎng)占據(jù)主導(dǎo)地位，面向中小學(xué)英語和普通話教學(xué)的“暢言智能有聲教具”業(yè)務(wù)穩(wěn)步拓展，并在多個(gè)省份開展試點(diǎn)；其普通話口語評(píng)測(cè)業(yè)務(wù)已進(jìn)入20個(gè)省份，并在安徽、江蘇、上海等7省份全面實(shí)施了計(jì)算機(jī)測(cè)試。2005年9月，科大訊飛的計(jì)算機(jī)口語測(cè)試系統(tǒng)準(zhǔn)確程度已經(jīng)達(dá)到了省級(jí)測(cè)試員的測(cè)試水平。 語音評(píng)測(cè)技術(shù)是通過機(jī)器自動(dòng)對(duì)語音進(jìn)行發(fā)音水平評(píng)價(jià)、檢錯(cuò)，并給出糾正指導(dǎo)的技術(shù)，主要應(yīng)用于普通話和英語的教學(xué)及測(cè)試。若語音教具進(jìn)一步擴(kuò)展至學(xué)生市場(chǎng)，根據(jù)教育部2009 年底公布的統(tǒng)計(jì)數(shù)據(jù)，全國共有中小學(xué)校35 萬所、班級(jí)380萬個(gè)，按40%市場(chǎng)滲透率進(jìn)行估算，“暢言”智能課堂教學(xué)機(jī)和智能語言教學(xué)平臺(tái)的市場(chǎng)總潛力將超過22億元。根據(jù)國家統(tǒng)計(jì)局的數(shù)據(jù)，截至2008年底，其中英語教師人數(shù)約為120萬人。未來移動(dòng)終端語音市場(chǎng)的增長動(dòng)力主要來自于兩方面：一是作為觸摸屏和鍵盤等輸入設(shè)備的補(bǔ)充和完善，由于設(shè)備尺寸和重量的限制，觸摸屏是目前智能手機(jī)和平板電腦的主要輸入設(shè)備，但觸摸屏也存在輸入精確度不高、容易產(chǎn)生觸摸漂移等缺點(diǎn)，這為智能語音技術(shù)的應(yīng)用創(chuàng)造了空間；二是移動(dòng)終端語音技術(shù)新應(yīng)用的不斷出現(xiàn)，如語音秘書、語音播報(bào)、語音輸入法、語音聽寫系統(tǒng)等，國外市場(chǎng)上Nuance已推出了針對(duì)iPhone和iPad的語音識(shí)別軟件，Google也于2010年8月推出了基于Android系統(tǒng)的語音識(shí)別技術(shù)，用戶可通過語音指令實(shí)現(xiàn)發(fā)送電子郵件、短信、撥打電話和獲得駕駛導(dǎo)航信息等功能，國內(nèi)市場(chǎng)上科大訊飛于2010年10月推出了基于Android系統(tǒng)的語音輸入法，近期有望進(jìn)一步推出基于云計(jì)算技術(shù)的語音短信輸入產(chǎn)品，新應(yīng)用的不斷出現(xiàn)有助于提升語音技術(shù)在移動(dòng)終端市場(chǎng)的滲透率。2010年全球智能手機(jī)和平板電腦銷量同時(shí)啟動(dòng)，未來3年仍將保持高速增長態(tài)勢(shì)。智能手機(jī)和平板電腦市場(chǎng)啟動(dòng)提升語音技術(shù)滲透率。未來伴隨著前裝導(dǎo)航滲透率的大幅提高及語音識(shí)別技術(shù)的滲透率快速增長，車載語音市場(chǎng)規(guī)模有望顯著提升。 汽車前裝導(dǎo)航設(shè)備市場(chǎng)仍有較大增長空間圖 目前，語音合成技術(shù)在車載導(dǎo)航系統(tǒng)的使用已較為普遍，而語音識(shí)別技術(shù)的滲透率則相對(duì)較低。國內(nèi)前裝車載導(dǎo)航設(shè)備仍處于市場(chǎng)發(fā)展初期，從滲透率來看，2007年前裝車載導(dǎo)航系統(tǒng)的裝配率在日本已經(jīng)達(dá)到79%，在西歐約為13%，%，而在國內(nèi)2008 %，未來滲透率仍有較大提升空間。全球企業(yè)級(jí)語音識(shí)別市場(chǎng)規(guī)模保持平穩(wěn)增長圖： 車載語音市場(chǎng)規(guī)模大幅提升目前語音識(shí)別技術(shù)在車載語音市場(chǎng)主要應(yīng)用于汽車導(dǎo)航設(shè)備，可以通過避免手動(dòng)操作導(dǎo)航設(shè)備而增強(qiáng)行駛過程中的安全性，未來語音技術(shù)可進(jìn)一步滲透至其他汽車輔助電子設(shè)備中，如對(duì)汽車空調(diào)、車窗、影音系統(tǒng)等進(jìn)行語音控制。從地域結(jié)構(gòu)來看增速則很不均衡，北美地區(qū)語音技術(shù)滲透率較高，目前約為30%，因此增速平穩(wěn)；而中國市場(chǎng)幾乎是空白，仍處于市場(chǎng)培育和客戶習(xí)慣培養(yǎng)時(shí)期，未來將呈現(xiàn)快速增長態(tài)勢(shì)，主流廠商N(yùn)uance和科大訊飛均已開始加大這一市場(chǎng)的開拓力度。 根據(jù)Oppenheimer amp。呼叫中心投資明顯回暖，為智能語音技術(shù)的引入打下良好基礎(chǔ)。中國呼叫中心產(chǎn)業(yè)從2000年開始快速增長，截至2010年底，呼叫中心座席總數(shù)已超過50萬個(gè)，累計(jì)投資規(guī)模達(dá)超過500億元。呼叫中心又稱為客戶服務(wù)中心，是把計(jì)算機(jī)和電信技術(shù)集成在一起，形成的用電話與用戶溝通的手段。 綜合考慮目前的技術(shù)能力（語音技術(shù)核心算法和計(jì)算機(jī)芯片計(jì)算能力）和客戶接受度，我們認(rèn)為在未來幾年有望實(shí)現(xiàn)突破的主要有三大細(xì)分市場(chǎng)：企業(yè)級(jí)市場(chǎng)、車載語音市場(chǎng)及移動(dòng)終端市場(chǎng)。從地域分布來看，北美一直是全球最大的智能語音技術(shù)市場(chǎng)，2009年占據(jù)全球超過70%的市場(chǎng)份額，北美語音技術(shù)的采用也遠(yuǎn)高于其他地區(qū)，其中企業(yè)級(jí)語音市場(chǎng)約占語音市場(chǎng)79%的份額。 第五章 智能語音市場(chǎng)分析智能語音技術(shù)作為最自然的人機(jī)交互方法，其用途非常廣泛，從最終應(yīng)用前景來看，未來隨著技術(shù)進(jìn)步和機(jī)器對(duì)人工替代程度的提高，只要是需要機(jī)器與人進(jìn)行交互的場(chǎng)合均可運(yùn)用智能語音技術(shù)。隨著HMM語音合成技術(shù)的發(fā)展，嵌入式語音合成技術(shù)也逐步突破了對(duì)運(yùn)算和存儲(chǔ)要求苛刻的嵌入式使用門檻，目前已經(jīng)可以在小資源環(huán)境（1MB存儲(chǔ)資源和10MIPS運(yùn)算資源）下產(chǎn)生出清晰流暢的語音效果，從而使語音技術(shù)在車載導(dǎo)航、移動(dòng)終端、教具等設(shè)備中的應(yīng)用門檻有效降低。 圖4 典型的語音合成流程圖： 語音合成技術(shù)的應(yīng)用 語音合成技術(shù)在2000年時(shí)已達(dá)到用戶基本可接受的準(zhǔn)實(shí)用水平，主要用于簡(jiǎn)單信息（如時(shí)間、金額、航班等）的播報(bào)。后端則是通常意義上的合成器，負(fù)責(zé)將前端處理后的結(jié)果轉(zhuǎn)換成實(shí)際的聲音輸出，韻律處理可以作為其中一個(gè)模塊，集成到語音合成過程中。 語音合成的具體實(shí)現(xiàn)過程可以劃分為前端文本分析和后端語音合成兩個(gè)步驟。隨著聲學(xué)合成器性能的不斷提高，在原有訓(xùn)練方法的基礎(chǔ)上進(jìn)一步發(fā)展出了統(tǒng)計(jì)參數(shù)語音合成方法——基于HMM模型（Hidden Markov Model，隱馬爾可夫模型）的語音合成方法。 從二十世紀(jì)末開始，統(tǒng)計(jì)建模方法引入到語音合成技術(shù)的研究當(dāng)中，從而提出了可訓(xùn)練的語音合成方法。隨著計(jì)算機(jī)運(yùn)算能力和存儲(chǔ)能力的迅猛發(fā)展，利用計(jì)算機(jī)合成語音越來越普遍，波形拼接方法逐漸發(fā)展成為基于大語料庫的單元挑選與波形拼接合成方法，其基本思想是根據(jù)輸入的文本分析信息，根據(jù)相關(guān)信息從預(yù)先錄制好的語音庫中挑選合適的單元，進(jìn)行少量的調(diào)整后拼接得到最終的合成語音。這一階段主要的技術(shù)思路是從模仿人體發(fā)聲機(jī)理入手進(jìn)行語音合成，合成效果的清晰度和自然度都不高。1980年，D. Klatt設(shè)計(jì)出串/并聯(lián)混合型共振峰合成器，使用串聯(lián)通道產(chǎn)生元音和濁輔音，并聯(lián)通道產(chǎn)生清輔音，還可以對(duì)聲源做各種選擇和調(diào)整以模擬不同的嗓音，是早期較為先進(jìn)的語音合成系統(tǒng)。1960年，推動(dòng)了語音合成技術(shù)的進(jìn)步。 圖3 語音合成技術(shù)發(fā)展的三階段：語音合成技術(shù)研究起步于二十世紀(jì)三十年代。狹義的語音合成技術(shù)則是指文本語音轉(zhuǎn)化技術(shù)（TTS），目前主流的語音合成技術(shù)主要是指TTS，我們?cè)谶@里只針對(duì)狹義的語音合成技術(shù)進(jìn)行討論。由于語音合成技術(shù)和語音識(shí)別技術(shù)在技術(shù)原理和實(shí)現(xiàn)方法上存在較大差異，我們將分別針對(duì)這兩種技術(shù)進(jìn)行介紹。嵌入式芯片技術(shù)特別是SOC技術(shù)的發(fā)展及芯片價(jià)格的不斷下降，將有力推動(dòng)智能語音技術(shù)在移動(dòng)設(shè)備市場(chǎng)的應(yīng)用。隨著芯片運(yùn)算能力的不斷增長，更為復(fù)雜的語音技術(shù)算法不斷得以實(shí)現(xiàn)。摩爾定律是計(jì)算機(jī)芯片技術(shù)發(fā)展的經(jīng)驗(yàn)性規(guī)律，其主要內(nèi)容是：在相同面積集成電路上可容納的晶體管數(shù)目，約每隔18個(gè)月便會(huì)增加一倍，即芯片性能將提升一倍，而價(jià)格則基本保持不變。如果未來核心算法能在自然語言理解上取得突破，則有