人工智能技术要真正服务于生活，语音交互的使用就很有必要。不过当前语音交互处理需在云端进行对于一些用户来说，将他们的语音数据交给云端会引发隐私问题。

以智能手机和最近异常火爆的智能音箱为例，有报道称，手机中的麦克风和芯片，谷歌家庭和亚马逊Echo扬声器等智能家庭设备都可以听到一连串的声音命令，但是它们不会分析这些命令，而是将繁琐的工作转移到运行复杂机器学习算法的强大远程服务器上。

亚马逊的Alexa助手和Google智能助理都会在将它们发送给他们进行分析之前记录片段，并且他们保留这些语音片段，直到用户选择删除它们。虽然两家公司都表示他们使用录音来改善他们的服务并提供更多个性化的回应。但在某些情况下，录音并不保密。

而解决这一隐私问题的方法是在终端侧来处理语音交互。在前不久的高通人工智能创新论坛上，高通人工智能研究项目负责人兼工程技术高级总监侯纪磊曾指出，一个非常重要的趋势是，语音交互功能正从云端向终端侧快速迁移。“今天，从商用而非研发层面看，语音交互还更多是一个以云端为中心的架构。即使在这种情况下，出于对低功耗、实时的考虑，语音交互所需的一些功能如语音降噪和语音激活都已经在终端侧进行处理。从云端到终端侧的迁移是一个渐进的过程，很快包括语音识别、自然语言理解以及文字转语音(TTS)在内的更多功能会逐步演进到以终端侧为中心。由机器学习驱动的端到端解决方案正在推动语音交互向终端侧迁移的趋势。”

为什么语音交互会从云端向终端侧演进?在终端侧处理语音交互有什么优势?语音交互是个人助理非常重要的关键部件。语音是我们一直期待的变革性用户交互界面，尤其是在hands-free（不使用手去触及终端）的应用场景中。语音界面对于打造真正的虚拟助理非常重要。语音交互界面可以支持四个非常重要的特性。第一，始终开启，需要始终在线、始终准备好提供服务。第二，对话式，个人助理不是死记硬背一些命令，而是能够进行非常自然和流畅的、多轮次的正常交流。第三，个性化，个人助理如何识别词句，并清晰理解意图，这也是语音交互界面非常重要的一个方面。第四，私密性，不用把数据传到云端，而是在终端进行很多处理，也是语音交互界面将来发展的一个重要的方向。

其实，语音交互作为一个研究方向，已经存在了超过50年的时间，为什么最近几年突然变得火爆？侯纪磊指出，在大概20多年前，机器学习的方式还是传统的机器学习，而不是今天说的深度学习，那时通过高斯混合模型，已经能够达到一定的性能指标。而随着深度学习的出现和挖掘，卷积神经网络和递归神经网络不断被应用到语音交互界面场景，出现了一个非常重要的趋势是：语音识别的性能指标将很快接近甚至超越人类的准确率。

总的来说，除了保护隐私之外，终端侧的语音交互因为不需要将数据上传到云端，所以能立即响应命令，并且因为不需要互联网连接，所以这种方式更可靠。这是一种以某种神经网络来完成整个端到端系统的方法，这会让设备更自然地进行交互。

其实早在2016年，Google 就创建了离线语音识别系统，该系统比当时的在线系统快7倍。该模型经过约2000小时的语音数据训练，尺寸为20.3兆字节，在智能手机上的准确率达到86.5%。当然，设备离线语音识别有其自身的一些限制。设计为脱机工作的算法无法连接到互联网来搜索问题的答案，并且错过在基于云的系统中通过更大且更多不同数据集进行改进。

端到端语音识别在设备上实现已经成为可能。“在今年的CES上，我们演示了智能家居中端到端的终端侧语音交互，展示了自动语音识别和自然语言理解技术。从语音识别的角度看，我们的终端侧技术能支持大型的指令集，比如打开客厅灯、关闭喷头等，一些在家常用的指令都可以识别。意图理解也是一个非常重要的角度。比如说，当我想打开厨房的灯，我可能会有不同的表达方式。我们最不希望发生的，就是语音交互技术只能机械地记住我们一个指令。而通过深度学习，可以支持我用不一样的表达方式，都能最终映射到相同的意图。这对提高用户体验也是非常重要的一个技术。我们的研究和初步演示现实，在适应口音和环境后，在一个指令集相对狭窄的领域中，在终端侧已经能达到99%的意图理解率。这也为商业推广终端侧的语音交互技术打下了很好的基础。” 侯纪磊说道。

文章来源:华强电子网资讯