受到當前利率市場化、互聯(lián)網(wǎng)金融快速發(fā)展、經(jīng)濟發(fā)展進入新時代等多種因素的影響，國內(nèi)銀行業(yè)傳統(tǒng)經(jīng)營模式正面臨著全新的變革。如何在精細化管理的基礎(chǔ)上為客戶提供更便捷、更優(yōu)質(zhì)、更安全的服務(wù)體驗，已經(jīng)成為各商業(yè)銀行競爭的焦點。

近年來，云計算、大數(shù)據(jù)、物聯(lián)網(wǎng)和人工智能等FinTech技術(shù)快速發(fā)展，促進了語音識別準確度的迅速提升，為商業(yè)銀行引入智能化服務(wù)提供了重要的技術(shù)資源，語音識別技術(shù)將掀起商業(yè)銀行服務(wù)模式的變革，為智能化服務(wù)增加新的元素。本文從商業(yè)銀行實際出發(fā)，對該技術(shù)的發(fā)展進行梳理，并提出商業(yè)銀行語音識別“4I”應(yīng)用框架，以期推動FinTech時代下銀行綜合智能化服務(wù)能力進一步提升。

一、語音識別技術(shù)概述

語音識別通過運用語言學(xué)、計算機科學(xué)、電子工程、模式識別、概率論、信息論以及人工智能等領(lǐng)域的方法和技術(shù)，使計算機設(shè)備能夠精準識別和翻譯語音信息，也被稱為自動語音識別(ASR)或者語音到文本(STT)，在金融、電信、電子商務(wù)、醫(yī)療、制造等行業(yè)得到了廣泛應(yīng)用。

1.語音識別技術(shù)發(fā)展

語音識別技術(shù)按照發(fā)展和應(yīng)用程度，可分為早期實驗研究階段、實用階段、現(xiàn)代語音識別系統(tǒng)開發(fā)應(yīng)用階段。

(1)早期實驗研究階段

20世紀50年代，世界上第一個能識別10個英文數(shù)字發(fā)音的實驗系統(tǒng)在貝爾實驗室誕生；20世紀60年代，出現(xiàn)了動態(tài)時間規(guī)整(DTW)算法以及將語音信號以幀為單位切分的技術(shù)，實現(xiàn)了有效的語音特征提?。?0世紀80年代，識別算法從基于標準模板的方法轉(zhuǎn)向基于統(tǒng)計模型的方法，產(chǎn)生了基于高斯混合隱馬爾可夫模型(GMM-HMM)的聲學(xué)模型和以N元語法為基礎(chǔ)的語言模型，實現(xiàn)了大量詞匯、非特定人以及連續(xù)語音的識別。

(2)實用階段

進入20世紀90年代后，語音識別的系統(tǒng)框架趨于穩(wěn)定，隨著計算機運算能力的快速提升以及語音識別在系統(tǒng)自適應(yīng)、參數(shù)調(diào)優(yōu)等方面的成熟，語音識別技術(shù)在商業(yè)上逐步成功運用，語音識別技術(shù)進入實用階段。

(3)現(xiàn)代語音識別系統(tǒng)開發(fā)應(yīng)用階段

近些年，隨著大數(shù)據(jù)和深度學(xué)習技術(shù)的發(fā)展，深度學(xué)習方法逐漸被引入到語音識別系統(tǒng)中，相較于傳統(tǒng)的語音識別技術(shù)，識別性能獲得了顯著提升。

目前，市場上的語音識別系統(tǒng)大多基于深度神經(jīng)網(wǎng)絡(luò)模型進行建模，大幅提升了各種應(yīng)用場景下語音識別的準確度和可靠性，使語音識別技術(shù)進入了新的應(yīng)用階段。

2.語音識別的分類

按照說話人的不同，語音識別技術(shù)分為兩類：一是特定人語音識別，它用來對特定人的說話內(nèi)容進行識別，同時基于說話人的聲紋信息，應(yīng)用聲紋鑒別技術(shù)，實現(xiàn)基于聲音的身份識別；二是非特定人語音識別，通過采集大量語音數(shù)據(jù)來進行訓(xùn)練建模，實現(xiàn)非特定人的語音識別，可以被任何說話人使用，更符合實際需要，通常要難于針對特定人的語音識別任務(wù)。

根據(jù)識別詞匯對象的不同，語音識別任務(wù)分為三類：一是孤立詞識別，可識別事先已知的詞語，比如“存款”“取款”等，可應(yīng)用到自動控制領(lǐng)域；二是連續(xù)語音識別，可識別自然交流的連續(xù)語音，比如一個句子或者一段話，可應(yīng)用于語音輸入系統(tǒng)；三是關(guān)鍵詞識別，從連續(xù)語音中檢測出特定關(guān)鍵詞出現(xiàn)的位置，而不需要識別出整個句子，可應(yīng)用于語音監(jiān)聽任務(wù)。

根據(jù)識別服務(wù)的實現(xiàn)方式，語音識別分為兩類：一是云端方式，依賴網(wǎng)絡(luò)并依托強大的后臺模型，識別更準確，目前已經(jīng)有多款基于云端的語音助手工具；二是離線方式，不依賴于網(wǎng)絡(luò)，應(yīng)用場景更靈活，但識別精確度受到計算資源的限制，一般離線識別會結(jié)合專用芯片，通過壓縮模型規(guī)模，將計算量控制在合理的水平。

3.語音識別技術(shù)原理

傳統(tǒng)語音識別技術(shù)的基本過程如圖1所示，主要包括如下內(nèi)容。

(1)預(yù)處理

這一過程主要包括對輸入的原始語音信號進行采樣，去除個體發(fā)音差異以及設(shè)備環(huán)境等引起的背景噪聲，通過分幀將語音信號切分為短片段，并運用端點檢測技術(shù)確定出語音的起點和終點。

(2)特征提取

這一過程主要包括從預(yù)處理過的語音信號中，抽取出反映語音本質(zhì)的特征參數(shù)，形成特征矢量序列。通常由頻譜衍生出頻率倒譜系數(shù)(MFCC)，使用長度為10ms的幀分割語音波形，然后從每幀中提取出特征向量。

(3)聲學(xué)模型訓(xùn)練

基于語音數(shù)據(jù)庫進行訓(xùn)練，通過計算語音特征和發(fā)音模板的相似度，為每個聲學(xué)單元建立模型參數(shù)，識別時將待識別的語音特征參數(shù)與訓(xùn)練得到的聲學(xué)模型進行匹配，獲得識別結(jié)果。傳統(tǒng)語音識別系統(tǒng)大多采用GMM-HMM進行聲學(xué)模型建模。

(4)語言模型訓(xùn)練

根據(jù)語言的語法規(guī)則，對訓(xùn)練文本數(shù)據(jù)庫進行語法、語義分析，建立描述給定詞序列在語言中出現(xiàn)的概率分布，在給定若干個詞的情境下能夠判定下一個最可能出現(xiàn)的詞語，縮小搜索范圍，進而提高語音識別性能以及準確率。

(5)語音解碼

語音解碼指語音技術(shù)中的識別過程，針對輸入的原始語音信號，經(jīng)預(yù)處理和特征提取后，結(jié)合訓(xùn)練得到的聲學(xué)模型、語言模型以及發(fā)音字典建立一個識別網(wǎng)絡(luò)，運用搜索算法尋找到最佳路徑，進而獲取該語音信號對應(yīng)的最優(yōu)詞串。

4.深度學(xué)習和語音識別技術(shù)

深度學(xué)習也稱為“深層結(jié)構(gòu)化學(xué)習”，是一種基于學(xué)習數(shù)據(jù)表征的機器學(xué)習方法，通過構(gòu)建多隱藏層神經(jīng)網(wǎng)絡(luò)，組合低層特征形成更加抽象的高層表示特征，以此提升分類或預(yù)測的準確性。

語音信號是一種非平穩(wěn)的隨機信號，人腦對其感知的過程是一個復(fù)雜的信號處理過程，深度學(xué)習可通過模仿人腦對語音信號的處理方式，以層次化的方式進行處理，因此比傳統(tǒng)的模型更適合于語音信號處理。結(jié)合深度學(xué)習技術(shù)對傳統(tǒng)語音識別技術(shù)的相關(guān)環(huán)節(jié)進行優(yōu)化和完善，出現(xiàn)了級聯(lián)系統(tǒng)(Tandem System)、混合系統(tǒng)(Hybrid System)、端到端模型(End-to-End Model)系統(tǒng)等新技術(shù)，具體描述如下：

(1)級聯(lián)系統(tǒng)

運用深度神經(jīng)網(wǎng)絡(luò)(DNN)進行特征提取，優(yōu)于使用傳統(tǒng)特征訓(xùn)練的GMM-HMM識別系統(tǒng)，它可以聯(lián)合特征的上下文信息形成長時特征矢量，并且具有深層次的非線性變換能力，能夠從有限的數(shù)據(jù)中挖掘出更多的信息。

(2)混合系統(tǒng)

在GMM-HMM聲學(xué)模型基礎(chǔ)上，用DNN替換高斯混合模型(GMM)來計算輸出概率密度函數(shù)，其中的DNN可替換為其他的深度學(xué)習架構(gòu)，比如循環(huán)神經(jīng)網(wǎng)絡(luò)(RNN)、卷積神經(jīng)網(wǎng)絡(luò)(CNN)等，這種方法最常用也最便利，不需要重新設(shè)計整個傳統(tǒng)聲學(xué)模型系統(tǒng)。

(3)端到端模型系統(tǒng)

基于深度神經(jīng)網(wǎng)絡(luò)完成從輸入特征向量到輸出結(jié)果的整個過程，聲學(xué)模型和語言模型通過后端解碼進行融合，與傳統(tǒng)識別過程相比，不需要進行分幀以及幀級別的標注操作。端到端模型實現(xiàn)方法分為兩種，一種是采用連續(xù)時序分類(CTC)和長短記憶網(wǎng)絡(luò)(LSTM)結(jié)合的聲學(xué)模型，對語音的音素序列和對應(yīng)的語音特征序列進行序列層面建模;另一種是基于編碼解碼(Encoder-Decoder)模型以及注意力(Attention)模型，直接實現(xiàn)從語音聲學(xué)特征序列到最終詞序列的輸出。

二、智能語音識別技術(shù)在商業(yè)銀行中的應(yīng)用

隨著語音識別技術(shù)與文本挖掘、自然語言處理等技術(shù)的不斷融合，在以商業(yè)銀行為代表的金融領(lǐng)域，語音識別技術(shù)呈現(xiàn)出巨大的應(yīng)用價值潛力。本文對商業(yè)銀行視角下的語音識別應(yīng)用場景進行梳理和歸類，從對智能化技術(shù)要求由淺入深的角度，提出“4I”應(yīng)用架構(gòu)，即“Input(信息輸入)—Inspection(實時監(jiān)察)—Interaction(溝通交互)—Identification(身份驗證)”，以期為商業(yè)銀行智能語音識別技術(shù)落地提供參考和借鑒。

1.Input(信息輸入)：“聽得見”

語音識別的一個主要應(yīng)用就是將語音數(shù)據(jù)自動轉(zhuǎn)換為文本數(shù)據(jù)，實現(xiàn)自動信息輸入。該類應(yīng)用下，語音識別技術(shù)的主要功能是將音頻數(shù)據(jù)轉(zhuǎn)化為文本數(shù)據(jù)，并為進一步開展智能文本挖掘和自然語言處理積累大量文本信息語料。在商業(yè)銀行運營環(huán)境下，該功能可主要應(yīng)用于簡化柜臺人員業(yè)務(wù)操作流程、實現(xiàn)客戶經(jīng)理拜訪客戶后的報告口述撰寫等場景。

以柜臺操作簡化流程為例，當前網(wǎng)點仍是銀行提供服務(wù)的重要渠道之一，柜臺運營人員服務(wù)質(zhì)量是決定客戶體驗的關(guān)鍵要素?？蛻翎槍︺y行提出的反饋意見顯示，等待時間過長已成為影響客戶滿意度的重要因素。通過引入語音識別系統(tǒng)，可以將客戶需求直接轉(zhuǎn)化為系統(tǒng)可識別的文本內(nèi)容，柜臺人員僅需針對錄入的信息進行復(fù)核校驗，減少客戶填寫各種憑證的時間以及運營人員錄入信息的時間，從而減少客戶等待時間，提升服務(wù)效率。此外，當銀行一線人員走出網(wǎng)點對客戶進行拜訪后，由于缺乏行內(nèi)雙錄設(shè)備，往往需要撰寫訪談報告對客戶情況及交談內(nèi)容進行記錄，此時語音識別技術(shù)的應(yīng)用可直接將客戶經(jīng)理的口述轉(zhuǎn)換為文字報告，以提升工作效率，進一步釋放銀行生產(chǎn)力。

2.Inspection(實時監(jiān)察)：“聽得懂”

商業(yè)銀行日常應(yīng)用場景除了需要“聽得見”，很多場景還要求“聽得懂”，即需要在銀行服務(wù)人員與客戶交流過程中實時識別出客戶需求點及業(yè)務(wù)風險點，支持更精準地對客戶提供個性化服務(wù)，同時保證業(yè)務(wù)合規(guī)性。

例如，通過在語音識別技術(shù)的基礎(chǔ)上架構(gòu)索引機制、引入文本挖掘和自然語言處理技術(shù)支持，對實時“聽”到的文字在“關(guān)注”字詞庫里進行搜索。當客戶在柜臺辦理業(yè)務(wù)時，通過對客戶與窗口人員的交談內(nèi)容進行實時監(jiān)察，一方面可以及時識別銀行員工話術(shù)的合規(guī)性，當業(yè)務(wù)人員出現(xiàn)不當銷售、違規(guī)引導(dǎo)時，系統(tǒng)及時跳出提醒標識對銀行人員進行警示，盡可能避免對客戶和銀行權(quán)益造成損害；另一方面銀行可以實時發(fā)現(xiàn)客戶的業(yè)務(wù)需求，并及時讓窗口人員予以相關(guān)產(chǎn)品的推介，當客戶的需求與本行產(chǎn)品及服務(wù)核心關(guān)鍵詞相匹配時，系統(tǒng)展示產(chǎn)品信息及相關(guān)話術(shù)對業(yè)務(wù)人員進行提示，進一步提升銷售成功率。

此外，該技術(shù)還可以通過對客戶語言文本的分析，及時發(fā)現(xiàn)客戶是否存在負面情緒，輔助業(yè)務(wù)人員減少不當處理，及時調(diào)節(jié)、化解業(yè)務(wù)辦理中可能發(fā)生的客戶糾紛。

3.Interaction(溝通交互)：“有交互”

語音識別在商業(yè)銀行的應(yīng)用場景除了上述“聽得見”“聽得懂”外，很多時候還需與客戶“有交互”。通過語音合成、聲向定位、語義理解、機器翻譯等進一步技術(shù)支持，語音識別技術(shù)可應(yīng)用于自助機具操作、電話銀行自動應(yīng)答、銀行呼叫中心自動回訪、廳堂機器人服務(wù)交互、外籍客戶服務(wù)提升等場景。以廳堂設(shè)備自助化功能優(yōu)化為例，當前自助設(shè)備已成為廳堂運營過程中分流客戶的重要手段。

目前，自助設(shè)備操作主要以觸點操作、手動輸入為主，為輔助客戶進行業(yè)務(wù)辦理，一般需設(shè)置專人對客戶的操作進行指導(dǎo)。引入智能語音識別技術(shù)可進一步優(yōu)化自助設(shè)備功能，通過識別語音中的要求、請求、命令或詢問來做出正確的響應(yīng)，既能改善手動輸入速度慢、易出錯等缺點，又有利于縮短系統(tǒng)的反應(yīng)時間，使人機交互變得簡便易行。

將語音識別技術(shù)應(yīng)用于手機銀行和微信銀行等數(shù)字化渠道，可進一步優(yōu)化客戶和系統(tǒng)交互的客戶體驗，完成余額查詢、賬戶掛失、手機號轉(zhuǎn)賬、轉(zhuǎn)賬費率查詢、預(yù)約取款、賬單查詢、信用卡還款、積分查詢、信用卡掛失等基本業(yè)務(wù)辦理，減少客戶輸入信息量，增加客戶對渠道的使用黏性，在節(jié)省服務(wù)成本的同時有效提升客戶體驗。

此外，外籍客戶服務(wù)提升也是智能語音識別技術(shù)充滿潛力的應(yīng)用場景。以廳堂或窗口服務(wù)機器人為載體，在語音識別技術(shù)應(yīng)用的基礎(chǔ)上實現(xiàn)“同聲傳譯”，使銀行能夠很好的服務(wù)外籍客戶，提升客戶尊享度，同時也為銀行更好地布局國際化戰(zhàn)略、發(fā)展海外業(yè)務(wù)提供技術(shù)支撐。

4.Identification(身份驗證)：“認得出”

語音識別技術(shù)還可通過聲紋識別實現(xiàn)客戶身份驗證。在生物特征識別應(yīng)用中，基于語音的身份驗證具有非接觸、非侵入、易用性強等特征，客戶易于接受。聲紋識別可以通過每個人獨特的聲音直接辨識客戶，無需設(shè)定、記住和鍵入密碼等操作，同時在信息采集方面較人臉、虹膜、指紋、指靜脈等方式具有更佳的便捷性和友好性，讓身份驗證過程變得快速而簡單。國外領(lǐng)先商業(yè)銀行已開啟語音身份驗證的探索，2013年5月，英國巴克萊銀行宣布使用語音識別技術(shù)，能夠在30秒內(nèi)通過一般談話驗證客戶的身份。更進一步，通過建立客戶聲紋庫并對語音中的聲紋鑒別，銀行可有效對客戶進行識別、歷史檔案查詢、信息檢索與推薦。

毋庸置疑，語音識別技術(shù)為商業(yè)銀行的員工操作和客戶服務(wù)等應(yīng)用模式提供了新的技術(shù)選擇，并能進一步提升業(yè)務(wù)效率，開拓新的業(yè)務(wù)運營模式。近年來，語音識別技術(shù)得到了迅猛發(fā)展，但是該技術(shù)在國內(nèi)商業(yè)銀行的應(yīng)用仍處于起步階段。這主要是因為基于銀行業(yè)領(lǐng)域特定的語料庫還不夠成熟，導(dǎo)致無法在真正意義上實現(xiàn)智能語音識別。隨著大數(shù)據(jù)技術(shù)不斷發(fā)展，數(shù)據(jù)積累越來越龐大，銀行業(yè)的語料庫必將逐漸完善，語音識別技術(shù)在商業(yè)銀行的應(yīng)用將會逐漸深入。