每經(jīng)專訪科大訊飛輪值總裁胡郁：5G對于影音和圖像交互有機遇

每經(jīng)記者 冷輝    每經(jīng)編輯 盧九安    

圖片來源：攝圖網(wǎng)

6月28日，由上海新滬商聯(lián)合會主辦的“第二屆長三角民企發(fā)展大會”在上海舉行。科大訊飛股份有限公司（以下簡稱“科大訊飛”）輪值總裁胡郁出席了本次大會，并發(fā)表了演講。在此次大會的間隙，胡郁接受了《每日經(jīng)濟新聞》記者的采訪。

人工智能并不遙遠，其相關(guān)應(yīng)用已經(jīng)不知不覺中滲透進人們的生活。例如，在本次長三角民企發(fā)展大會現(xiàn)場，會實時將演講嘉賓的講話語音轉(zhuǎn)換成文字，并在大會主舞臺的屏幕上同步顯示。這是采用了科大訊飛所提供的智能語音轉(zhuǎn)寫系統(tǒng)“訊飛聽見”所生產(chǎn)的大會字幕。不過，雖然準確程度頗高，但也不乏一些專業(yè)字詞錯誤。

對此，科大訊飛輪值總裁胡郁接受《每日經(jīng)濟新聞》記者采訪時表示，將從識別方言、中英文混讀、專業(yè)詞匯，以及降噪等多個方面進行優(yōu)化，以期降低錯誤率。

降低錯誤率仍有多個難題要攻克

智能語音識別作為人工智能的關(guān)鍵組成部分，從軟件開發(fā)者的角度來說，如何進一步降低語音識別錯誤率？

胡郁在回答《每日經(jīng)濟新聞》記者提問時表示，主要還是有幾個方面的難題需要攻克，需要研究人員來解決這些問題。一個是口音的問題，有很多人的普通話可能沒那么準，存在一些方言夾雜、口齒沒有那么清晰的情況。第二個，現(xiàn)場環(huán)境是不是足夠的安靜。因為現(xiàn)場環(huán)境有些噪聲的話，還需要用一些降噪的方法，才能夠不斷提高智能語音識別系統(tǒng)的性能。第三個是有一些關(guān)于中英文混讀的情況，中文和英文混雜的時候，現(xiàn)在處理的還不是特別好，雖然已經(jīng)比以前要強很多。最后一個，就是一些專業(yè)詞匯方面，有些詞匯只有在特定的場景下，才知道它是什么意思。一些同音詞匯是很多的，也有可能會出現(xiàn)一些同音詞方面的問題。

胡郁提到，技術(shù)肯定是在不停地進行優(yōu)化的。他舉例稱，當天大會現(xiàn)場看到的將語音轉(zhuǎn)換成文字同步到大屏字幕的語音轉(zhuǎn)寫系統(tǒng)，相比兩三年前，準確度已經(jīng)提高了很多。現(xiàn)在像這種上屏的字幕準確率在95%以上。如果是幾年前，可能只有90%左右的水平。

除了發(fā)力語音識別這一場景下的智能應(yīng)用之外，胡郁提到，科大訊飛在教育、醫(yī)療、政法、智慧城市等多個方面和場景下都有延伸和覆蓋。語音識別只是語音技術(shù)中的一個很小的點，科大訊飛現(xiàn)在也不僅僅做語音技術(shù)，也做人工智能的認知智能，還有很多其他方面。

人機交互將更多能通過語音實現(xiàn)

5G轉(zhuǎn)瞬即來，談到在5G的框架之下，如何搭構(gòu)新一代的人機交互的語音技術(shù)時，胡郁表示，在5G時代有非常多的發(fā)展機會。

胡郁提到，5G的響應(yīng)速度會非?？欤憫?yīng)速度延時現(xiàn)在也達到了毫秒級。這對于將來的語音、圖像的交互，是非常有機會的一個點。另外，5G會帶來內(nèi)容的大爆發(fā)，例如高清視頻、游戲這些內(nèi)容的爆發(fā)，也會讓人工智能在里面應(yīng)用的機會增多。比如對于內(nèi)容的處理，對于內(nèi)容的自動剪輯，或者要給內(nèi)容增加一些語音的標注，這些方面都會有新的發(fā)展機遇。

對于“萬物互聯(lián)”的構(gòu)想，從簡單的在家庭中的應(yīng)用來看，胡郁表示，未來萬物互聯(lián)會在家庭里面的很多設(shè)備和產(chǎn)品，在它們跟人的交互中間起到一個新的入口的作用。家中的家電、玩具、機器人等彼此間都能夠有連接，而且我們和它們，即人和物之間也能建立連接。人和物之間建立連接，原來是通過一些按鍵、控制面板的方式，用觸摸等操作來實現(xiàn)的，將來可能會越來越多地在里面用語音的方式實現(xiàn)，就像我們?nèi)撕腿酥g交流一樣。胡郁認為這樣的連接會越來越普遍而廣泛。

胡郁表示，科大訊飛自身的定位是在人工智能領(lǐng)域的一家技術(shù)創(chuàng)新型公司。這需要通過一系列的品牌、市場、產(chǎn)品，要能夠進入到大家的生活當中去，需要時間來逐步建立大眾對科大訊飛的更多認知。

封面圖片來源：攝圖網(wǎng)