共同把脈智能+驅動，洞悉資本市場新規則。12 月 8 日，由九宇資本、智東西、犀牛之

　　星、極果、六合咨詢共同主辦的“2016 智能+未來峰會”在北京北京 JW 萬豪酒店揭開大幕。

　　在這場近六百人的行業盛會上，來自投資界、創業圈和產業鏈各方 40 余位大佬登臺演講交

　　鋒，圍繞“新經濟、新智能、新三板”主題，探討產業變革中的投資機會、人工智能時代下的

　　新消費模式、汽車的智能化未來等，帶來最前沿的實踐、思考和判斷。

　　在下午的演講環節中，科大訊飛研究院副院長王士進發表了名為“智能人機交互與萬物

　　互聯產業浪潮”的主題演講，詳細解讀了語音智能技術如何在具體場景中達到自然的人機交

　　互。

　　以下為王士進演講的要點精摘：

　　1.在萬物互聯浪潮下，人機交互需要希望提供更智能的方案來完成交互工作。早期 PC

　　時代，鍵盤鼠標交互；中期移動互聯網時代，多點觸控，手寫、手勢交互，比原來爽很多；

　　現在萬物互聯，我們進入智能生活方式，使用語音視覺再加上手勢控制。以前我們是以機器

　　為中心進行交互，未來會以人為中心進行交互。萬物互聯浪潮下，人根據語音的控制，根據

　　視覺的控制，然后配合手的操作，完成整個的交互。
?

　　2.今天在很多場景里，人們都需要智能語音交互；然而現有很多產品存在問題：

　　講話要靜，這是大家原來用手機很大的習慣，實際上大家知道在語音舉例遠的時候，會

　　有混響和噪聲很多情況干擾，所以原來有一款，最早做語音識別我們做的非常好的時候，只

　　要距離到了一米兩米，甚至更遠距離的時候效果馬上會下降，所以現在的設備，你看有一些

　　產品演示的時候要保持一定的距離，否則效果不太好。

　　發音要標準，其實我們大部分人普通話相對來說比較標準，有一些人通過后臺分析的時

　　候，發現有一些人其實普通話并不是很標準，甚至有一些人，基本上已經聽不出普通話了，

　　怎么樣讓大家都能夠享受到這種人機，特別語音交互帶來的交互的操作，其實也是一個問題。

　　環境要安靜，也是一樣的道理，我們在語音整個的操作的里面，最難的就是噪聲，大家

　　知道只要有噪聲很多原來語音識別性能很好的，或者語音交互操作很好的，都會變的很難。

　　不能持續對話，無法對歷史與上下文進行支持與識別。所謂的智能我們是希望機器人可

　　以有更多的一些上下文的知識，更多基于人的一些歷史上的信息，所以目前來說，可能很多

　　的這種產品還達不到這樣的需求。

　?。踦age］［/page］

　　3.針對以上幾點，2015 年科大訊飛提出了 AIUI 人工智能時代的人機交互界面，滿足了

　　五個基本特性——麥克風陣列硬件：遠場降噪，如何在遠距離，有噪聲時識別；方言識別；

　　全雙工，支持隨時打斷，隨時插入，更接近人與人之間的交流；糾錯，利用上下文場景糾正

　　語義糾錯；多輪對話，在做例如訂機票等比較復雜任務時需要多輪對話，機器可自主發起多

　　輪對話。

　　麥克風陣列：五米之外滿足遠場的拾音和降噪還有回音消除，谷歌組織的語音比賽里，

　　我們一個麥克風識別技術比較微弱的優勢拿到第一名，多麥克風則以非常大的優勢比其他競

　　爭對手好很多，多麥克風的場景里面怎么做到遠距離的，包括判斷人的距離和方向和說話的

　　內容，做了很多的工作。

　　方言的口語識別：現在已經支持接近 20 種，應該十幾種方言，陸陸續續做更多的方言，

　　希望更多的人使用到這樣一個，甚至普通話不太好的人可以用到我們這一款產品。后面講到，

　　訊飛除了語音上面，語言上面做了很多優秀的工作，

　　全雙工，剛才提到市面上很多以喚醒和識別為主題（的語音識別系統），還有循環識別，

　　用戶以后必須持續的說，否則說的背景知識或者類似這樣會丟失。我們的支持持續的錄音和

　　連續的識別，這樣方便我們人和機器做更好的交互。怎么利用用戶的上下文的知識和用戶的

　　歷史知識，使得語音是被不止根據一個問一個答。從今年年終開始起，這個技術非常熱門，

　　實際上我們做了很多工作，怎么利用歷史信息跟更多用戶個人的信息做更好的交流。

　　個性化可擴展的交互，實際上大家可以看到，用很多產品的時候，拓展性會很差，我們

　　這里面，比如喚醒詞，和京東合作的音箱可以喚醒，也可以其他的喚醒，和外面的交互，我

　　們知道現在更多的互聯，通過協議和外面的設備做互聯。

　　一整套的解決方案，包括我們本地實現的這種軟件和硬件的這樣一體化，即有軟件的服

　　務，也有硬件麥克風這樣的服務，同時有云端一體化，我們即提供互聯網和移動互聯網下面

　　的服務，也提供本地的服務，同時還提供技術服務一體化的解決方案。

　　4.訊飛做了很多相關產品，訊飛聽見：會議記錄，將大會噪聲回響。訊飛小譯，中、英、

　　維即使互譯，隨身攜帶，遠程實時交流，很快就上線。訊飛助理，語音語義控制使得可以在

　　電視里找到自己想要的內容；訊飛飛魚汽車助理，汽車噪聲環境下的語音識別，除了在國內

　　做得好之外，訊飛在國際領域也做得很好；機器人，自然交互，個性化定制服務；開放云平

　　臺，從最早語音聽寫到現在的人臉識別、語音喚醒、語音合成等都做得很好。

　　以下為王士進在“2016 智能+未來峰會”上的演講全文：

　　我今天希望給大家分享一下，前面提到很多，萬物互聯的產業浪潮下面，我們希望提供

　　一種智能交互方案，配合大家做很多的工作，講智能交互之前，我們可以回顧一下電腦出現

　　到交互的歷史，早期大家很清楚，隨著我們電腦的出現，以鍵盤和鼠標這種交互形式會成為

　　我們當時最主要的這樣一個形式，隨著移動互聯網的到來以后我們會發現，基于多點數控，

　　基于手寫和手勢，大家使用手機和 IPAD 和平板的時候會發現用這樣的方式在操作的時候，

　　會比原來爽很多，這是用戶的爽點。

　　隨著現在物聯網，萬物互聯很多類似于這樣的一些智能的硬件，智能的設備出現的時候，

　　大家會發現很多場合下面，可能并不是很容易能夠用鍵盤，能夠用手去控制。我們認為使用

　　語音視覺和傳統手的控制會使得我們的交互方式有非常大的提升，實際上以前我們人在交互

　　的時候，其實是以機器為中心去做交互，我們圍繞電腦，那么后來隨著我們交互的發展我們

　　會發現將來是一個以人為中心的，所有的設備都圍繞這個人，人根據語音的控制，根據視覺

　　的控制，然后配合手的操作，完成整個這樣的交互，所以這是我想講的。

　?。踦age］［/page］

　　將來萬物互聯的浪潮下面，以語音為主，以鍵盤，包括數控和圖象，這樣的一個交互時

　　代的話，我們認為已經逐漸到來了，其實大家從剛才的很多 PPT 里面也已經看到了，我們

　　再講一講產業的情況，今天很多相關的公司，那么大家會發現，在移動的一些手機的應用，

　　包括智能家居的各個場景，視頻里面看到的智能機器人的一些場景，包括穿戴設備，包括我

　　們車載，很多場景里面大家都可以看到，在新一代的場景里面需要我們智能交互的產品去介

　　入，那么現在的這種智能交互，特別是涉及到語音交互方面，其實大家可能體驗很多產品，

　　這些產品有什么樣的一些問題？

　　第一個來說，講話要靜，這是大家原來用手機很大的習慣，實際上大家知道在語音舉例

　　遠的時候，會有混響和噪聲很多情況干擾，所以原來有一款，最早做語音識別我們做的非常

　　好的時候，只要距離到了一米兩米，甚至更遠距離的時候效果馬上會下降，所以現在的設備，

　　你看有一些產品演示的時候要保持一定的距離，否則效果不太好。第二發音和標準，可以參

　　照我的發音，就是說很多時候，其實我們大部分人普通話相對來說比較標準，有一些人通過

　　后臺分析的時候，發現有一些人其實普通話并不是很標準，甚至有一些人，基本上已經聽不

　　出普通話了，怎么樣讓大家都能夠享受到這種人機，特別語音交互帶來的交互的操作，其實

　　也是一個問題。

　　環境要安靜，也是一樣的道理，我們在語音整個的操作的里面，最難的就是噪聲，大家

　　知道只要有噪聲很多原來語音識別性能很好的，或者語音交互操作很好的，都會變的很難。

　　第四點不能持續對話，無法對歷史與上下文進行支持與識別。所謂的智能我們是希望機器人

　　可以有更多的一些上下文的知識，更多基于人的一些歷史上的信息，所以目前來說，可能很

　　多的這種產品還達不到這樣的需求。

　　我們在 2015 年提出，AIUI，人工智能時代人機交互的界面，并且 2015 年持續做，并

　　且 2015 年我們又增加很多新的特性和功能，第一場遠場降噪，怎么距離較遠，很多場景，

　　機器人和智能家居，五米以外怎么做到距離遠有噪聲的情況下能夠語音識別做好，這是第一。

　　第二方言識別，不僅僅帶方言的普通話，甚至直接方言，也能夠把語音識別以及語音理解做

　　好。

　　第三點，全雙工，我們知道人跟人之間的交流我們會感覺非常自然的交流方式，但是我

　　們會發現，人跟機器交流的時候，其實可能并不像人跟人交流那么簡單，原來我們跟機器交

　　流就是我講完以后等它的動作，它會給我一個反饋，這就是原來我們所說的一個正常的交互

　　流程。那么現在新一代的支持我們隨時的打斷，隨時的插入，那么這樣大家可以想像，其實

　　這樣跟我們人與人之間的交流會很接近。

　　第四點，語音的糾錯，因為大家知道，現在無論是我們也好，還是市面上很多其他的，

　　語音識別的時候會有或多或少的錯誤，怎么利用到語音信息，利用上下文的場景能夠把一些

　　常見的錯誤做糾正。然后最后一點，多輪對話，其實我們是想完成以任務這種方式，所以大

　　家可以看，講話劉總的視頻里面，其實很多可能有一些類似任務的，我們想訂票或者做一些

　　比較復雜的任務時候，我們通常人和人之間的對話，可能需要多輪完成，那么現在除了可以

　　跟你本人，人發起的多輪對話，甚至機器在有一些可以自主的發起多輪對話來達到這樣任務

　　所需的條件滿足。

　　下面我們看幾個特性，剛才講到跟遠場相關的識別，這一塊其實有四個，剛才已經講了

　　一些，第一個，這里面會有一個麥克風陣列硬件，其實我們訊飛做了很多年，最近這幾年有

　　非常好的突破，第一點剛才提到可以五米之外滿足遠場的拾音和降噪還有回音消除，谷歌組

　　織的語音比賽，就是多麥克風場景下面，怎么把語音識別率做的最好，我們一個麥克風比較

　　微弱的優勢拿到第一名，訊飛多麥克風非常大的優勢比其他競爭對手好很多，多麥克風的場

　　景里面怎么做到遠距離的，包括判斷人的距離和方向和說話的內容，做了很多的工作。

　　第二點方言的口語，現在已經支持接近 20 種，應該十幾種方言，陸陸續續做更多的方

　　言，希望更多的人使用到這樣一個，甚至普通話不太好的人可以用到我們這一款產品。后面

　　講到，訊飛除了語音上面，語言上面做了很多優秀的工作，2014 年、2015 年的時候，我們

　　機器翻譯里面相繼拿了國際比賽第一名，今年拿了兩個，一個是常識的知識表達和推理，還

　　有一個也拿了知識圖譜推理的第一名。我們在語音做了非常優秀的工作，使得我們知道你所

　　說的內容是什么。

　　［page］［/page］

　　全雙工，剛才提到，市面上很多，喚醒和識別為主題，要喚醒它，還有循環識別，說完

　　以后必須持續的說，否則說的背景知識或者類似這樣會丟失，那么我們的支持持續的錄音和

　　連續的識別，這樣方便我們人和機器做更好的交互。第三點剛才提到的上下文，怎么利用用

　　戶的上下文的知識和用戶的歷史知識能夠知道，不止根據一個問一個答，所以大家可以看到

　　最近最熱的是一個，從今年年終開始起，這個技術非常熱門，實際上我們做了很多工作，怎

　　么利用歷史信息跟更多用戶個人的信息做更好的交流。第四，我們叫做更多可拓展性，實際

　　上大家可以看到，用很多產品的時候，拓展性會很差，我們這里面，比如喚醒詞，和京東合

　　作的音箱可以喚醒，也可以其他的喚醒，和外面的交互，我們知道現在更多的互聯，通過協

　　議和外面的設備做互聯。

　　我們提出一整套的解決方案，包括我們本地實現的這種軟件和硬件的這樣一體化，即有

　　軟件的服務，也有硬件麥克風這樣的服務，同時有云端一體化，我們即提供互聯網和移動互

　　聯網下面的服務，也提供本地的服務，同時我們還提供各種服務。訊飛做了很多產品，希望

　　和大家共同產業上面有探索和合作，第一件事情訊飛聽見，智能會議系統，現在很多的這種

　　大型的會議里面，因為我們知道，在大會里面大家可以聽聲音可以感覺到，噪聲回響非常大

　　的，目前訊飛是唯一一家這種場景下面能夠把語音識別率做的最好，同時在會場里面還支持

　　說話人角色的分離，所以現在很多的會議，比如原來在法院做庭審的時候用了我們的技術，

　　原來三到四個小時可以做完的，用這個技術一個小時之內就可以做完。

　　第二我們訊飛聽見，今年發布會推出一款產品，訊飛的小 E，機器翻譯可以感覺到，出

　　國旅游，語言溝通是非常大的障礙，我們遠場的識別推出這樣一款翻譯機，目前支持中英維，

　　今年會增加八個語種的翻譯，使得我們出國非常方便，很快會上。

　　同時還有一款訊飛的電視助理，大家知道互聯網海量運行的內容，家里面操控人和電視

　　有非常遠的距離，這個里面怎么用語音和語義的控制使得我們精準找到你所需要的內容和資

　　源，這一塊包括國內很多的電視廠商，主流的基本上一線廠商和我們做合作，使得我們將來

　　用到的電視，即可能電視是非常好的交互平臺，也有可能電視的盒子類似這樣的形式。

　　還有訊飛最新，今年發布會推出來的訊飛飛魚的汽車助理，噪聲非常強的場景，汽車連

　　續兩年，包括寶馬、奔馳、通用組織的汽車與汽車噪聲環境里面語音識別，訊飛在整個國際

　　的性能評比里面都拿第一名，所以將來大家除了很多國產車里面能夠看到訊飛的語音助理，

　　國際的車型和車牌都會看到這樣的技術。

　　訊飛在機器人場景做了很多的嘗試，提供自然交互包括個性化的定制服務，人機融合做

　　了很多的工作。

　　訊飛除了自己在做，還把相關的技術都在訊飛，我們叫做開放云平臺里面提供，我們最

　　早只提供語音聽寫，現在提供包括人臉和評測，包括喚醒，基本上剛才提到產品里面所涉及

　　到的技術點，我們開放云平臺里面都已經提供了，所以如果說大家有興趣，都可以從我們開

　　放云平臺里面取得這樣一些信息和幫助。

　　所以我們認為將來，在整個 AIUI 前臺的人機交互和后臺的智能服務這種場景下面，希

　　望為大家提供一些更好的智能的人機交互解決方案