来源
投中网
年，微软公司的邓力和其团队与多伦多大学的Hinton教授合作，首次将深度学习引入语音识别，率先取得突破，驱动了语音识别技术的高速成长。到今天短短8年时间，便取得了远超过去半个世纪的成就。
今天，语音识别技术已大量落地，从语音输入法等应用，到智能音箱、智能机器人等智能硬件大量涌现。特别是在中文语音市场，玩家众多，市场也已略显拥挤。而不少行业巨头都纷纷更是表示语音识别准确率已从97%进化到98%，似乎在技术层面，语音识别已经趋于完美。但是，事实是否真的如此呢？
近日，依图科技“突袭”中文语音识别，公布了在这一领域的成绩。在使用AISHELL-2数据库进行测试的结果显示，依图的准确率全面领先。这不禁让人思考，中文语音识别目前到底是什么状态，还有多大空间？
公开测试显示，中文语音识别算法良莠不齐，算法能力远未超越人类。
到目前为止，虽然整个行业都在宣传语音识别的字错率或词错率距离%只差2~3个百分点，但是否意味着已经达到真正好用的程度，以及当前到底发展到了什么样的地步，很多人并没有一个清晰的认知。
无论是博鳌亚洲论坛AI同传词汇翻译不准确、重复等低级错误，还是平昌奥运会挪威队主厨使用谷歌翻译订鸡蛋事故，以及前不久小米AI+IoT开发者大会上小爱同学的现场翻车，语音识别正被越来越多人引为笑谈。这些事例，似乎可以看作是当前语音识别技术现状的一个缩影，同时也可以看到，语音识别这个最容易考试的技术，距完美还相差甚远。
有一个事实可以说明问题，最近几年，计算机视觉领域的人工智能新创公司不断涌现，其中不少已成长为独角兽。但是，语音识别领域的独角兽却少之又少。其中的原因有多个方面。从表层来看，语音识别的数据成本高、投入大，相关研究人员稀少。而更核心的是来自技术层面，包括语音模型对多应用场景的泛化能力不足，以及结合上下文语义的推理能力不足等等。
这些尚未突破的技术壁垒，或许可以解读为上述案例所体现出来的问题。当前理想的语音识别，几乎都是在近场、安静等受限场景下实现的，但真实的语音交流的复杂度远不止于此。受限的应用场景，会显著影响更大规模的落地应用。这导致语音识别商业变现的速度远远不及视觉领域，自然无法在短时间内发展出独角兽公司。
事实上，即便是大公司，也面临过类似的问题。IBM曾放弃了研究多年的ViaVoice语音系统，就是因为难以找到好的盈利模式。当前语音行业的巨头，也大多无法单纯依靠“卖技术”来构建自己的商业模式。
技术需要突破，但推动行业的进步，更需要统一公认的衡量标准。当前业内对于中文语音，目前并没有一个公认的测试基准，各家各执一词，甚至不公布测试基准，导致行业乱象。可以说，中文语音识别，仍有很长一段路要走。
依图首席创新官吕昊博士解读行业现状
进入语音是必然
依图或开启AI应用新方向
语音是更自然的人与人的交互方式，也是人机交互最重要的入口。如果说视觉是人获取信息的主要渠道，那么语音则是人输出信息的主要渠道。可以说，语音识别是AI理解世界最重要的组成部分。因此，对于AI公司来说，要实现真正全面的智能，进入智能语音领域，是一个必然。
因此，做视觉技术的企业，在深化业务落地时，就会发现，视觉+语音这种复合型的AI技术需求，会大于单一型AI技术需求。所以，有些视觉企业选择了与语音企业合作，依图则选择了自主研发这条道路。而此次依图首次公布语音识别领域的背后成果，或许会掀起更多视觉企业对语音识别的
转载请注明：http://www.0431gb208.com/sjszlfa/528.html
