快商通公檢法事業(yè)線總經(jīng)理李稀敏博士就“人機(jī)語音交互是否必須要先喚醒和離線語音技術(shù)在本地端上的實現(xiàn)是否未來的趨勢”為題進(jìn)行分享：

01 人機(jī)交互必須要先喚醒嗎？

語音交互流程被劃分為五個環(huán)節(jié) – 喚醒、響應(yīng)、輸入、理解、反饋。其中喚醒是每一次用戶與語音產(chǎn)品交互的第一個接觸點，喚醒環(huán)節(jié)的體驗在整個語音交互流程中至關(guān)重要，它的體驗好壞將直接影響用戶對產(chǎn)品的“第一印象”。就目前市面上常見的語音交互產(chǎn)品來說，一個眼神或者一個動作還不能引起它的注意，因此需要定義一個將產(chǎn)品從待機(jī)狀態(tài)切換到工作狀態(tài)的詞語，即所謂的“喚醒詞”。比如“小度小度”“若琪”“叮咚叮咚”。那么，人機(jī)交互我們必須要先喚醒嗎？李稀敏認(rèn)為：隨著技術(shù)場景越來越成熟，當(dāng)機(jī)器具備足夠的智能化，機(jī)器是可以不需要喚醒詞，就像跟人對話一樣自然。但距離無喚醒交互的實現(xiàn)，還有一段路要走。從聲紋識別的角度來看有兩種場景，第一種，用喚醒詞作為命令詞，設(shè)備在休眠或鎖屏狀態(tài)下也能檢測到用戶的聲音(設(shè)定的語音指令，即喚醒詞)，讓處于休眠狀態(tài)下的設(shè)備直接進(jìn)入到等待指令狀態(tài)，開啟語音交互第一步。第二種設(shè)置一個“喚醒詞”，這時候我們可以將設(shè)備喚醒比作水龍頭的開關(guān)，如果水龍頭沒有開關(guān)的話，摁都摁不住是吧？就像智能音響交互的時候，設(shè)備亂七八糟的識別了一大堆語音，這個東西出來摁都摁不住，所以人機(jī)交互還是要有“喚醒”步驟。但是否需要喚醒詞，還需根據(jù)場景的需求來決定，沒有所謂的通用答案。

02 聲紋識別是否可以改進(jìn)人機(jī)交互方式？

最近一段時間很火的蘋果AirPods，華為榮耀FlyPods Pro都在主打身份識別。目前的喚醒大家都是在用這個特定的喚醒詞，如果改用聲紋識別，是否可以改變這種交互的方式？李稀敏認(rèn)為：在不同的場景中，最佳的喚醒的方式可以不同，但在耳機(jī)等可穿戴設(shè)備的場景中，聲紋識別因其高易用性、非接觸、不需要前置設(shè)備等優(yōu)點，相對其他生物識別技術(shù)，能夠更好的解決該場景的實際身份認(rèn)證的問題，進(jìn)而改進(jìn)人機(jī)交互體驗。

03 實現(xiàn)本地端離線語音技術(shù)是未來趨勢？

“在貼身的耳機(jī)，也就是本地端做聲紋識別，其實避免了一個技術(shù)問題：遠(yuǎn)場識別”，李稀敏解釋。遠(yuǎn)場的文本無關(guān)身份識別由于復(fù)雜的信號傳播環(huán)境等原因，是目前的技術(shù)難點，還有很長的路要走。但相對來說，近場的身份識別，在本地端可以通過技術(shù)手段快速解決問題。所以，接下來本地端近場身份識別能夠大面積普及，在今后很多場景，我們隨身攜帶一個小設(shè)備都能夠直接識別身份。

關(guān)于本地化是不是未來的趨勢。從數(shù)據(jù)的角度來講，很多人是不希望自己的聲音信息，人臉信息，通過設(shè)備或各種隱私接口上傳到云端且變?yōu)椴豢煽?。李稀敏認(rèn)為，從這個角度來看，本地化的AI的能力是一個剛需。

04 大熱的語音合成技術(shù)TTS，跟聲紋識別PK，誰會更勝一籌？

對于使用錄音、合成語音等攻擊手段的識別，是聲紋識別必須要解決的問題?？焐掏ㄔ跒殂y行、保險等金融客戶設(shè)計聲紋身份識別系統(tǒng)，這個是第一個需要解決的問題。

目前，對聲紋認(rèn)證的攻擊，大概分成幾類，第一類是模仿，第二類是語音合成或者語音轉(zhuǎn)換，第三類是錄音重放。根據(jù)實際欺詐的手段來講，目前主要是防錄音重放。其中，錄音重放是最難檢測的。解決了錄音重放問題，就相當(dāng)于解決了語音拼接和語音合成問題。

快商通在這一點上做得比較領(lǐng)先，我們的首席科學(xué)家李海洲院士，團(tuán)隊在ASVspoof2017自動說話人驗證欺騙和對策挑戰(zhàn)賽中獲得第一名。包括在許多銀行客戶的測試中，我們都是100%檢測到錄音重放。

另外分享個故事，除了算法和系統(tǒng)本身領(lǐng)先，解決方案還需要數(shù)據(jù)驅(qū)動，大量的錄音樣本、各種設(shè)備、各種采樣率、各種時長、各種環(huán)境的訓(xùn)練。1年前，我們在北京幾家銀行做測試的時候，白天我們在地鐵上，在最嘈雜的環(huán)境下，各種測試都攻不破。

但晚上，我住在清華大學(xué)里，在10:00、11:00左右夜深人靜、一點聲音都沒有的時候，掏出了我們的APP進(jìn)行測試，卻被攻破了。說明當(dāng)時我們的訓(xùn)練數(shù)據(jù)沒有覆蓋到無雜音、無噪音的情況，當(dāng)然，現(xiàn)在已經(jīng)覆蓋到了（笑）。

關(guān)于快商通：

快商通是一家從事人工智能技術(shù)與應(yīng)用研發(fā)的創(chuàng)新型科技企業(yè)，在聲紋識別、自然語言處理、深度學(xué)習(xí)、大數(shù)據(jù)等方面擁有原創(chuàng)核心競爭力。

面向企業(yè)服務(wù)、金融、公檢法、醫(yī)療、物聯(lián)網(wǎng)等領(lǐng)域，為全球客戶提供包含人工智能算法、應(yīng)用軟件、平臺軟件及內(nèi)嵌人工智能功能的軟硬件一體化解決方案。致力于持續(xù)為客戶創(chuàng)造價值，讓人工智能走進(jìn)每個人的生活。