“我覺(jué)得有些奇怪，你看上去就像真人，但其實(shí)只是電腦發(fā)出的聲音?！?/p>

“我能理解你作為一個(gè)正常人，在洞察力方面的局限性，你會(huì)習(xí)慣的?！?/p>

——《Her》

2013年，一部美國(guó)電影《Her》將人們帶入了人類與AI的交互時(shí)空，講述了未來(lái)世界，主人公Theodore和Samantha（人工智能系統(tǒng)OS1）間帶了幾分科幻底色的奇異愛(ài)情。電影中的Samantha同現(xiàn)今常見(jiàn)的人工智能助手一樣，沒(méi)有常規(guī)意義上的“身體”、氣味、乃至觸覺(jué)嗅覺(jué)這樣的人類特質(zhì)，他們彼此單純依靠對(duì)話交流，因而有評(píng)論稱這更像是“兩個(gè)聲音的愛(ài)情故事”。從技術(shù)角度來(lái)看，我們更習(xí)慣稱之為“語(yǔ)音交互”——這是一種人機(jī)交互方式，即利用人類的自然語(yǔ)言給機(jī)器下命令，從而達(dá)到自身目的的過(guò)程，多被視作“下一代人機(jī)交互界面的主要功能”。

事實(shí)上，語(yǔ)音交互技術(shù)一直以來(lái)都是人工智能賴以實(shí)現(xiàn)人機(jī)交互的重要途徑，更是近年來(lái)國(guó)內(nèi)外各大廠爭(zhēng)相搶占的市場(chǎng)方向。諸多人工智能學(xué)者長(zhǎng)期致力于讓機(jī)器“聽(tīng)懂”外界所傳達(dá)出的信息并做出相應(yīng)的反饋，識(shí)別對(duì)象跨越自然語(yǔ)言與情感信息，涉及拾音、語(yǔ)音識(shí)別、語(yǔ)義理解，語(yǔ)音合成等方面的技術(shù)要求，無(wú)疑是個(gè)極為復(fù)雜的過(guò)程。

語(yǔ)音交互主要分為近場(chǎng)交互和遠(yuǎn)場(chǎng)交互。近場(chǎng)語(yǔ)音交互主要是指人類距離機(jī)器不超過(guò)30厘米范圍的語(yǔ)音識(shí)別技術(shù)，因其利用距離優(yōu)勢(shì)回避了真實(shí)場(chǎng)景下復(fù)雜的聲學(xué)問(wèn)題，而被廣泛理解為一種“實(shí)驗(yàn)室理想環(huán)境下的語(yǔ)音交互技術(shù)”。人們對(duì)近場(chǎng)語(yǔ)音識(shí)別的研究可追溯到上個(gè)世紀(jì)，但發(fā)展初期始終不得其法。90年代末，IBM推出了第一款商品化的語(yǔ)音識(shí)別系統(tǒng)ViaVoice，業(yè)界更是開(kāi)始發(fā)出下一代語(yǔ)音交互界面的呼聲，然而過(guò)程中的頗多嘗試最終都以失敗告終。

2011年，手機(jī)語(yǔ)音助手Siri搭載iPhone4S成功發(fā)布，在全球范圍內(nèi)引發(fā)強(qiáng)烈關(guān)注；2014年，微軟于Windows 8的發(fā)布會(huì)上正式推出Cortana……至此，近場(chǎng)語(yǔ)音交互開(kāi)始廣泛走入公眾視野，一路行至今天，已然日趨成熟，例如國(guó)內(nèi)較具代表性的幾款語(yǔ)音輸入，其識(shí)別準(zhǔn)確率已高達(dá)95%。但在最初的新鮮感褪去之后，很多用戶發(fā)現(xiàn)這一功能就像嚼過(guò)的甘蔗一般僅余噱頭二三，甚是雞肋。即使在近場(chǎng)語(yǔ)音識(shí)別高度發(fā)展的今天，其在實(shí)際場(chǎng)景的應(yīng)用中仍多逢壁壘。由此，越來(lái)越多的研究將目光投注至遠(yuǎn)場(chǎng)語(yǔ)音識(shí)別技術(shù)。

遠(yuǎn)場(chǎng)語(yǔ)音識(shí)別是指在較遠(yuǎn)的距離條件下（通常是1m-10m），機(jī)器對(duì)語(yǔ)音加以識(shí)別的技術(shù)。該技術(shù)一般采用麥克風(fēng)陣列的方式收集語(yǔ)音，廣泛運(yùn)用于智能家居、車(chē)載導(dǎo)航、會(huì)議轉(zhuǎn)錄等場(chǎng)景。較之理想化情境下的近場(chǎng)語(yǔ)音識(shí)別，遠(yuǎn)場(chǎng)識(shí)別更容易受到真實(shí)環(huán)境中的背景噪聲、多徑反射和混響，乃至人聲的干擾，遠(yuǎn)場(chǎng)語(yǔ)音識(shí)別因此在準(zhǔn)確率方面也會(huì)有大幅下降。遠(yuǎn)場(chǎng)語(yǔ)音識(shí)別系統(tǒng)通常包含前端信號(hào)處理與后端語(yǔ)音識(shí)別模塊。前端部分旨在通過(guò)語(yǔ)音增強(qiáng)的手段，包括解混響（Dereverberation）、波束成形（Beam Forming）等方法來(lái)將含有噪聲和混響的語(yǔ)音盡可能地處理“干凈”；后端部分與一般的語(yǔ)音識(shí)別系統(tǒng)相同，目的在于將處理“干凈”的語(yǔ)音識(shí)別為文字。

2014年，亞馬遜發(fā)布智能音箱Echo，正式拉開(kāi)了遠(yuǎn)場(chǎng)語(yǔ)音交互的帷幕，更有評(píng)論稱其“打開(kāi)了物聯(lián)網(wǎng)的重要入口，已然成為行業(yè)標(biāo)桿一般的存在”。如今，Echo能夠依靠語(yǔ)音助手Alexa實(shí)現(xiàn)音樂(lè)播放、新聞搜索、外賣(mài)網(wǎng)購(gòu)下單、在線叫車(chē)等一系列服務(wù)，在全球范圍內(nèi)已累積千萬(wàn)銷(xiāo)量。近年來(lái)，正是由于智能音箱可借由語(yǔ)音交互提供內(nèi)容服務(wù)、互聯(lián)網(wǎng)服務(wù)，以及場(chǎng)景化的家居控制能力，國(guó)內(nèi)外巨頭在手機(jī)熱之后，紛紛投身智能音箱市場(chǎng)，加緊不局，力求在一片混戰(zhàn)中分一杯羹。

據(jù)CNBC 9 月19日?qǐng)?bào)道，Amazon計(jì)劃于今年年底之前，推出至少8款由Alexa支持的交互新設(shè)備，包括微波爐、車(chē)載設(shè)備和高端家用音響設(shè)備（包括擴(kuò)音器、接收器和低音炮）等，其中部分設(shè)備將直接搭載語(yǔ)音助手功能，意在繼續(xù)攻堅(jiān)智能家居市場(chǎng)。但很顯然，智能語(yǔ)音服務(wù)的未來(lái)并不會(huì)止步于此，今日的科幻終將照進(jìn)現(xiàn)實(shí)。

作為亞馬遜SeniorPrincipalScientist、Alexa & Echo技術(shù)負(fù)責(zé)人及團(tuán)隊(duì)初創(chuàng)成員，Nikko Str?m擁有資深的語(yǔ)音技術(shù)背景，曾就職于多家世界著名的研究實(shí)驗(yàn)室和企業(yè)，擁有20年的自動(dòng)語(yǔ)音識(shí)別領(lǐng)域工作經(jīng)驗(yàn)。在麻省理工學(xué)院計(jì)算機(jī)科學(xué)實(shí)驗(yàn)室擔(dān)任科學(xué)研究員兩年后，Nikko Str?m于2000年加入語(yǔ)音初創(chuàng)企業(yè)Tellme Networks，并于2007年轉(zhuǎn)入微軟核心語(yǔ)音識(shí)別團(tuán)隊(duì)，推動(dòng)最新技術(shù)的發(fā)展。2011年，他進(jìn)入Amazon，擔(dān)任SeniorPrincipalScientist，領(lǐng)導(dǎo)語(yǔ)音識(shí)別及相關(guān)領(lǐng)域的深度學(xué)習(xí)團(tuán)隊(duì)，繼而成為Amazon Echo團(tuán)隊(duì)的創(chuàng)始成員之一。

1997年，Nikko Str?m在位于斯德哥爾摩的KTH語(yǔ)音通信實(shí)驗(yàn)室攻取博士學(xué)位，期間所撰論文為說(shuō)話人自適應(yīng)（Speaker Adaptation）和人工神經(jīng)網(wǎng)絡(luò)（Artificial Neural Network）這兩個(gè)技術(shù)領(lǐng)域做出了重要貢獻(xiàn)。

作為論文工作的一部分，Nikko Str?m開(kāi)發(fā)了世界上第一個(gè)瑞典語(yǔ)連續(xù)語(yǔ)音識(shí)別器。同時(shí)，他還發(fā)布了開(kāi)源人工神經(jīng)網(wǎng)絡(luò)軟件（NICO Toolkit），并在全球收獲了數(shù)千名研究人員的下載。

1994年至1995年期間，他曾任日本京都國(guó)際電氣通信基礎(chǔ)技術(shù)研究所（ATR）的特邀嘉賓研究員，在這里，他為說(shuō)話人自適應(yīng)領(lǐng)域的世界級(jí)研究做出了頗多貢獻(xiàn)。

作為業(yè)余愛(ài)好，他還開(kāi)發(fā)并發(fā)布了“Quite BASIC”（http://www.quitebasic.com/），一個(gè)完全基于網(wǎng)絡(luò)的經(jīng)典培基（BASIC）在線編程環(huán)境。

……

很快，在人工智能領(lǐng)域深耕多年的Nikko Str?m就要來(lái)到中國(guó)和廣大AI開(kāi)發(fā)者見(jiàn)面啦——11月8-9日，2018 AI開(kāi)發(fā)者大會(huì)（AI NEXTCon）將于北京盛大召開(kāi)。

作為由中國(guó)專業(yè)的IT社區(qū)CSDN與硅谷AI社區(qū)AICamp聯(lián)合出品的AI技術(shù)與產(chǎn)業(yè)年度盛會(huì)，本次大會(huì)將邀請(qǐng)到近百位中美頂尖AI專家、知名企業(yè)代表以及千余名AI開(kāi)發(fā)者齊聚北京，進(jìn)行技術(shù)解讀和產(chǎn)業(yè)論證。這也是繼西雅圖、硅谷、紐約等城市成功舉辦五屆后，AI NEXTCon首次進(jìn)入中國(guó)。Nikko Str?m將在大會(huì)上結(jié)合Amazon Alexa為大家講解其中蘊(yùn)含的深度學(xué)習(xí)奧義。