思必驰前端信号处理负责人周强:语音前端信号处理技术

在全链路语音技术分享环节中,思必驰前端信号处理负责人周强认为,语音交互仍面临着远场拾音、多声道同步采集、回声消除、去混响、平稳噪声降噪、自动目标侦听和唤醒、目标声源波达方向估计、目标声源波束形成和干扰抑制等诸多声学场景挑战。信号处理可以提升语音的可懂度和信噪比,用来提升人人交互和人机交互的性能。思必驰在远场语音通话、远场语音唤醒识别等方面都有自己的一套处理算法,在不同的系统中做好降噪量和失真的权衡问题也有着比较充足的实战经验。在谈到思必驰所掌握的核心基础技术时,周强着重介绍了波束成形技术及盲源分离技术的技术原理及关键指标。技术终将凝练成产品再系统形成成熟方案,基于过硬的全链路语音技术,周强也简要介绍了思必驰的远/近场交互方案。近场交互方案多应用于智能客服终端、机器人、自动售卖机等案例中,它采用大阵列近场模型,对角度和距离进行建模,能有效去除范围外的噪声干扰。远场交互方案则广泛用于家居场景中,目前思必驰远场>交互方案配合麦阵方案,可实现远场3~5米识别率在94%以上。

思必驰语音识别技术总监薛少飞:思必驰ASR(++)技术与平台化应用

思必驰语音识别技术总监薛少飞则从语音识别技术(ASR)、语音富信息技术(ASR++)以及语音技术平台化几个方向分享了思必驰的技术和产品思路。卷积神经网络(CNN)应用到语音识别中由来已久,最早应用在图像识别领域,大约在2014年引入到语音识别领域。利用CNN将整个语音信号分析得到的时频谱当作一张图像一样来处理,采用图像中广泛应用的深层卷积网络对其进行建模;从实用性上考虑,CNN也比较容易实现大规模并行化计算。在深度学习领域,思必驰联合实验室推出极深卷积神经网络(VDCNN)在识别鲁棒性上展现出巨大的优势。产学研一体化之下,思必驰语音识别准确率高达98%,并具有反馈速度快、快速定制、强鲁棒性等优势,这得益于思必驰语音算法的行业前瞻性及先进性。语音识别支持通用以及包括金融、教育、音视频等在内的领域场景,同时也提供语音识别自定制能力,赋能客户自主优化应用场景中的识别体验;即使在本地也可以支持普通话、方言以及外语小语种的识别。而语音副信息技术则在语音识别基础上加上了富信息识别,例如说话人、情绪、年龄、性别等。目前思必驰语音富信息技术已落地至IOT、智能客服、金融安全、会议转写、国防安全等场景。作为对话式AI平台型公司,思必驰在语音技术平台化方面也做了很多工作,推出的DUI平台可面向物联网场景进行智能对话交互的定制化输出,会话精灵则作为企业虚拟机器人定制平台,帮助企业快速定制专属服务和解决方案。

思必驰对话组负责人樊帅:全双工及多模态交互技术

思必驰全链路语音技术为各行各业智能交互添砖加瓦的同时,全双工交互贯穿始终。思必驰对话组负责人樊帅指出,在过去半双工状态下,用户的跨领域交互每次交互都需要重新唤醒,而现在,思必驰全双工技术方案可实现一次唤醒,在多个领域持续交互,跨领域指代消解。不仅如此,全双工语音交互可以结合专业领域知识库实现智能语义纠正、支持多领域的模糊信息确认、打破沉默主动交互、根据用户说话节奏和内容动态断句等。全双工交互技术的提升涉及到对话系统的各个模块,不仅各个模块的功能性、稳定性需要提升,对各模块间的配合也提出了更高要求。思必驰专注人性化的智能语音技术,依托DUI平台,思必驰全双工与当前全链路语音技术全面兼容,客户可以选用思必驰全链路技术或采用云对云的方式接入全双工。此外,樊帅提到多模态交互将极大提升人机交互体验,他现场演示了一段视频,展示多模态交互中的人脸拒识可以将非唤醒人的指令过滤,指令执行有条不紊。多模态交互可让全双工交互技术发挥更大的能量,配合声纹识别、图像处理等技术,过滤无用信息,人机交互会变得更加贴合人性,这也是未来思必驰发力的方向。