傳統(tǒng)語音交互與智能語音交互對智能終端的影響

1、傳統(tǒng)語音交互技術(shù)是將語音識別和語音合成能力以嵌入式的方式集成在智 能終端中，為終端提供語音撥號，短信朗讀等語音交互應(yīng)用。雖然這種傳統(tǒng)的語 音交互技術(shù)只能實現(xiàn)有限的交互應(yīng)用，但仍然對終端特別是手機終端產(chǎn)生了長遠 深刻的影響。為用戶帶來了新穎的交互體驗。語音交互技術(shù)將人的耳朵和嘴巴也加入到了 與終端交互的行列中來。以前人們只能使用手指和眼睛與手機終端進行交互，如 看短信、發(fā)短信、撥電話號碼、打開各種應(yīng)用菜單等操作都是用眼睛看或用手指 按鍵或觸摸。有了語音交互技術(shù)以后，用戶可以耳朵聽短信（語音合成），用嘴 巴說出命令的方式來打電話和打開應(yīng)用菜單，這些都給終端用戶帶來了全新的體 驗，同時也掀起了一輪語

2、音熱潮。像早期的語音王手機，當(dāng)前智能機中多種多樣 的語音命令應(yīng)用等。為用戶帶來了較方便的交互過程。傳統(tǒng)的語音交互在某種程度上講確實為用 戶的交互過程帶來了方便。如打電話的交互過程，使用鍵盤的話，需要先按鍵進 入電話簿- 查找聯(lián)系人- 按鍵呼叫，而這個過程中“查找聯(lián)系人”需要耗費 用戶大量的時間；而使用語音交互的話，用戶只需按快捷鍵啟動語音- 說出呼 叫聯(lián)系人的語音命令- 按鍵呼叫即可完成，雖然也是三個步驟，但卻省去了手 工查找聯(lián)系人的煩惱和耗費的時間。但傳統(tǒng)的語音技術(shù)為終端帶來新穎方便的交互方式的同時，其本身也存在著 各種各樣的制約。如資源占用高，合成效果差，識別率低，用戶體驗不好等。這 些都

3、制約著語音交互技術(shù)的發(fā)展，也是傳統(tǒng)的語音交互技術(shù)不能為終端帶來新的 交互革命的原因。首先來看資源占用，語音識別和語音合成技術(shù)本身就是非常復(fù)雜的技術(shù)，都 需要大量的數(shù)據(jù)基礎(chǔ)做支撐，如語音合成中的發(fā)音人音庫，一個發(fā)音效果好的音 庫需要4MB左右資源空間，而資源占用小的音庫其語音合成的效果就會很差。 再如在語音識別中需要占用大量的內(nèi)存和cpu資源來進行計算。功能ROMRAM語音合成6MB，效果好的音庫 需要更多的資源4MB語音命令10MB10MB,命令詞的增加 需要更多的內(nèi)存表1：傳統(tǒng)手機終端語音功能資源占用情況再來看識別率方面，識別率通常受兩項指標影響，其一是系統(tǒng)資源，另一項 是指令條數(shù)。在系統(tǒng)資

4、源一定的情況下，指令條數(shù)越多，則識別率就會下降。如 早期手機終端命令條數(shù)在千條以下，需要的系統(tǒng)資源較少，而在地圖導(dǎo)航中，POI 的搜索條目會顯著增多，如城市POI條目在十萬級別，而全國POI條目則在百萬 級別甚至千萬級別，這對系統(tǒng)的資源要求就會顯著提高。而要進行無限制的自然 語言聽寫，則在資源方面的要求就會更高?？梢詮南旅孢@張圖來了解識別率和系 統(tǒng)資源以及命令條目之間的關(guān)系。圖1:識別率和系統(tǒng)資源以及指令條目的關(guān)系由于傳統(tǒng)的語音識別技術(shù)都是直接將語音識別能力以嵌入式的方式集成到 終端中，基于資源占用，算法復(fù)雜度等多方面的考慮，語音識別的能力都不是最 優(yōu)的，也不具備學(xué)習(xí)能力，因此在識別率上很難讓

5、人滿意。而在用戶體驗方面仍然沒能帶來革命性的提升。語音命令中固定的語法格式：如“打開記事本V “打電話給XX”、“打開 鬧鐘”等有限的語音命令條數(shù)：由于命令語法固定，用戶需要記住命令才可使用， 命令條數(shù)越多，用戶的記憶負擔(dān)就越大，太多就會導(dǎo)致不可用。較差的語音合成效果：基于資源占用的考慮，合成音庫資源一般較小， 合成效果比較差。操作方式任然比較復(fù)雜：許多命令僅僅是打開某些應(yīng)用，具體設(shè)置任然 需要用戶去操作，如“打開鬧鐘”后，用戶任然需要設(shè)置時間，周期等。 只是在有限的程度上節(jié)省了用戶的操作時間。隨著語音聽寫技術(shù)（將聲音轉(zhuǎn)換為文字的技術(shù)）的逐漸成熟，讓智能語音交 互的實現(xiàn)成為可能。如Iphone

6、的Siri。智能語音交互是指用戶以自然語言的方式 對終端機器下達指令，終端機器根據(jù)用戶語音并聯(lián)系上下文對用戶意圖進行理解， 并按照用戶意圖執(zhí)行命令的過程。如用戶說：“兩個小時后提醒我”，則終端就會 自動為用戶設(shè)置一個鬧鐘，并在兩個小時后提示用戶。讓我來看一下傳統(tǒng)語言交 互與智能語音交互的比較，表2所示。功能傳統(tǒng)語言交互智能語音交互說明鬧鐘打開鬧鐘或設(shè)置鬧鐘每天早上7點提醒我；明天早上6點叫醒我等等通過自然的語言表達，即 可向終端下達設(shè)置鬧鐘 的命令打電話打電話給某某給某某打個電話；撥打小王的座機號等等理解用戶意圖，智能區(qū)分 不同手機號發(fā)短信發(fā)短信給某某給小王發(fā)個短信我臨時有事 不過去開會了；發(fā)

7、短信告訴媽媽晚上加班， 不回家吃飯了等聯(lián)系人短信內(nèi)容同時說 出，短信變得更方便快捷查地圖打開導(dǎo)航、打開地圖、說地名到科大訊飛怎么走；我想到沃爾瑪去等省去繁瑣的命令過程，只 需說出你的目的地，自動 的為你打開地圖設(shè)置導(dǎo) 航發(fā)微博發(fā)條微博我今天心情很好； 黃山路今天又堵車了，會不 會遲到呢？分享到微博解放你的手指其他單一的命令形式， 固定的語法格式， 功能越多，用戶需 要記住的命令詞就 越多。附近有咖啡店嗎？ ；魚香肉絲怎么做？ ；明天的天氣怎么樣？；明天會下雨嗎？理解用戶意圖，給出用戶 想要的結(jié)果表2：傳統(tǒng)語言交互與智能語音交互的比較通過這張表，我們可以看出，智能語音交互較傳統(tǒng)的語音交互有著革命性的 變化，真正的將人們從復(fù)雜的操作中解放出來，而智能的查詢搜索也為用戶提供 的極大的便捷。智能語音交互涉及兩項關(guān)鍵技術(shù)和一項輔助技術(shù)，關(guān)鍵技術(shù)之一就是語音聽 寫技術(shù)，另外一項就是自然語言理解技術(shù)。語音聽寫是一項異常復(fù)雜而龐大的技 術(shù)，需要大量的計算和龐大的數(shù)據(jù)庫支撐才能達到可實用的程度。而中文語音聽 寫更是如此，動輒數(shù)十GB的語料數(shù)據(jù)庫、以GB為單位的內(nèi)存使用量和龐大的 cup運算量，是終端（特別是手機終端）所不能承受的。因此使用云技術(shù)是惟一 出路。利用云端服務(wù)器強大的運算能力和大量的數(shù)據(jù)基礎(chǔ)，對終