CTI論壇(ctiforum.com)（編譯/老秦）:在2019年，語(yǔ)音引擎變得更加復雜，現在能夠支持其他語(yǔ)言和方言，但也還有更多工作要做。這些解決方案，包括語(yǔ)音到文本，文本到語(yǔ)音，語(yǔ)音識別，語(yǔ)音命令和控制，語(yǔ)音搜索，轉錄，翻譯以及相關(guān)活動(dòng)的技術(shù)，現在在識別單詞方面做得更好，但具有諷刺意味的是，這種能力并不是用戶(hù)最終想要的。相反，他們需要可以像人一樣對它們做出反應的系統。但是，對于供應商而言，實(shí)現該目標仍然遙遙無(wú)期。

 

　　在2019年添加的新語(yǔ)言和方言中，亞馬遜的Alexa現在支持印地語(yǔ)語(yǔ)音交互。此外，該供應商還增強了系統以了解當地流行語(yǔ)言的變體，例如美國西班牙語(yǔ)和巴西葡萄牙語(yǔ)，從而使更多的消費者可以查看天氣，控制智能家居設備以及使用亞馬遜品牌的設備聽(tīng)音樂(lè )。Bose，LG電子和索尼等第三方訪(fǎng)問(wèn)Alexa語(yǔ)音服務(wù)應用程序編程接口（API）來(lái)開(kāi)發(fā)Alexa Skills。

　　LumenVox還擴展了其系統的支持范圍，以支持本地方言，例如美國，英國澳大利亞人，新西蘭英語(yǔ)和北美西班牙語(yǔ)。

　　而且由于許多個(gè)人和家庭說(shuō)多種語(yǔ)言，因此Amazon Web Services進(jìn)一步引入了多語(yǔ)言模式，該模式允許Alexa在兩種語(yǔ)言之間切換。該系統通過(guò)識別用戶(hù)說(shuō)出的語(yǔ)音并以相同的語(yǔ)言進(jìn)行響應來(lái)自動(dòng)進(jìn)行調整。此功能分為三對可用：美國的英語(yǔ)和西班牙語(yǔ)，印度的印度英語(yǔ)和北印度語(yǔ)以及加拿大的英語(yǔ)和法語(yǔ)。

　　LumenVox客戶(hù)服務(wù)副總裁Jeff Hopper表示，與此類(lèi)似，LumenVox還添加了一個(gè)新的轉錄引擎，專(zhuān)門(mén)針對無(wú)音頻格式。他解釋說(shuō)：“它可以實(shí)時(shí)工作，因此[交互式語(yǔ)音響應（IVR）]應用程序不僅可以接收結構化數據或自然語(yǔ)言輸入，還可以處理原始文本。”

　　但是，對于整個(gè)語(yǔ)音行業(yè)來(lái)說(shuō)，更有意義的是人工智能（AI）和深度神經(jīng)網(wǎng)絡(luò )正在開(kāi)展的工作。人工智能工作已迅速進(jìn)入主流語(yǔ)音技術(shù)，允許更多自然語(yǔ)言，對話(huà)交互，并且隨著(zhù)引擎處理越來(lái)越多的語(yǔ)音，機器學(xué)習使系統的準確性和性能得以提高。

　　今年，第四代深度神經(jīng)網(wǎng)絡(luò )（DNN）的出現也顯示了語(yǔ)音引擎的進(jìn)步。它們在輸入和輸出之間具有多層，因此可以使用線(xiàn)性或非線(xiàn)性關(guān)系得出結論。

　　Nuance Communications是該領(lǐng)域的領(lǐng)導者，該公司在7月推出了Nuance Lightning Engine，這是一種DNN，結合了語(yǔ)音生物識別技術(shù)和自然語(yǔ)言理解，可以跨語(yǔ)音渠道提供個(gè)性化，人性化的體驗。

　　盡管語(yǔ)音引擎已在許多方面得到了改進(jìn)，但基礎技術(shù)仍存在很多缺點(diǎn)。根據Booz，Allen＆Hamilton的前專(zhuān)業(yè)人士StephenArnold的說(shuō)法，當今的系統在識別單個(gè)單詞方面明顯要好得多，但需要的是能夠在上下文中理解單詞的解決方案。

　　由于此限制，當將語(yǔ)音系統部署為企業(yè)和消費者使用時(shí)，它們有時(shí)無(wú)法正常運行。用戶(hù)專(zhuān)注于最終結果，例如從語(yǔ)音搜索中獲取結果，但是系統通常無(wú)法提供所需的理解水平。因此，根據普華永道最近的一項調查，有71％的美國人更愿意與人互動(dòng)，而不是聊天機器人或其他自動(dòng)化過(guò)程。

　　供應商正在完善他們的系統以彌合這一差距。Google開(kāi)發(fā)了BERT（來(lái)自“變形金剛”的雙向編碼器表示），這是一種語(yǔ)音識別解決方案，旨在連接單詞和更好地理解句子上下文。例如，如果某人正在尋找有關(guān)在另一個(gè)國家旅行的信息，則BERT會(huì )認識到“去(to)”一詞比“來(lái)自(from)”更重要。

　　類(lèi)似地，Translate Your World一直在構建語(yǔ)音解決方案，以識別對話(huà)中的語(yǔ)氣，并且供應商發(fā)現，各個(gè)人的語(yǔ)氣會(huì )因情況而異。“最終目標是指導AI翻譯，以便它們在對話(huà)的背景下為與個(gè)人打交道提供正確的模式，”該公司總裁SueReager解釋說(shuō)。例如，“shingles”一詞通常是指房屋屋頂上的物品，但在醫療保健領(lǐng)域，它代表病毒感染。

　　同樣，交流因群體而異。“我們發(fā)現，消費者通常不會(huì )像企業(yè)高管那樣講的很清楚。”Reager補充說(shuō)：“消費者的發(fā)音有時(shí)不清楚，他們通常不使用完整的句子。他們的思想缺乏組織，因此有時(shí)很難找到固定的模式。”

　　培訓語(yǔ)音引擎以識別和適當地應對此類(lèi)差異是她的公司以及其他多個(gè)行業(yè)細分領(lǐng)域將在2020年解決的問(wèn)題。

　　誰(shuí)來(lái)承擔當前的語(yǔ)音挑戰一直在變化。“試圖翻譯語(yǔ)音變得越來(lái)越困難，而且非常昂貴，”Arnold堅持認為。“在過(guò)去的日子里，麻省理工學(xué)院機器學(xué)習實(shí)驗室的一些人能夠建立一個(gè)商業(yè)系統。但是不做了。”

　　如今，語(yǔ)音引擎的研究需要大量資金，高技能的數據科學(xué)家和龐大的數據中心，而這些數據中心將擁有巨大的計算處理能力。因此，谷歌，亞馬遜網(wǎng)絡(luò )服務(wù)，微軟和IBM等國內行業(yè)巨頭正在承擔許多工作。

　　在國際上，中國公司，例如百度，也在挑戰這些問(wèn)題。根據Arnold的說(shuō)法，中國供應商之所以處于有利地位，是因為它們不受傳統技術(shù)的束縛，可以采用新的方法來(lái)解決這些長(cháng)期存在的問(wèn)題。

　　供應商在擴展其產(chǎn)品功能方面也取得了進(jìn)展，因此他們支持更多類(lèi)型的語(yǔ)音，但是仍需要努力以幫助該技術(shù)將單個(gè)單詞置于上下文中，以便系統可以適當地響應。隨著(zhù)市場(chǎng)的變化，開(kāi)發(fā)負擔急劇增加。展望未來(lái)，似乎只有財大氣粗的行業(yè)巨頭才能擁有推動(dòng)語(yǔ)音解決方案前進(jìn)所需的資源，從而變得更加人性化。

　　作者：Paul Korzeniowski

　　原文網(wǎng)址：https://www.speechtechmag.com/Articles/Editorial/Features/The-State-of-Speech-Engines-139107.aspx