从跟随到引领，中国AI企业打响语音交互突围战

文/陈锋

编辑/子夜

想象一下，如果你置身于嘈杂的环境中，身边的朋友谁说了什么话，你能听得一清二楚吗？

答案很可能是否定的。

但这个普通人难以做到的事情，AI可以。

上个月，科大讯飞的讯飞星火大模型V4.0发布会上，三位讯飞研究院的研究员现场实测，在噪音环境下同时混叠说话时，正常人难以听清，但讯飞星火凭借其多模态能力，不但实现了三人重叠语音的角色分离，而且成功进行了实时转写。

这对应的是，针对强干扰场景下的语音识别难题，科大讯飞突破了多人混叠场景下的极复杂场景语音转写技术，即使在三人混叠说话场景下，也能实现86%的语音识别准确率。

科大讯飞的探索和技术成果，不止于此。

稍早一些的6月24日，2023年度国家科学技术奖励大会上，科大讯飞作为第一完成单位的“多语种智能语音关键技术及产业化”项目，获得国家科学技术进步一等奖。

这是深度学习引发全球人工智能浪潮以来，过去十年里，人工智能领域首个国家科学技术进步奖一等奖，也是科大讯飞继2002年、2011年分别获得国家科学技术进步奖二等奖之后，首次获得国家科学技术进步奖一等奖。

科大讯飞的上述技术突破，既是它过去多年技术实力的一次彰显，某种程度上，在大模型带来的战略机遇面前，其也在加速推动万物互联时代的到来——从产业视角来看，语音识别等智能语音技术的进阶，将进一步成为万物互联时代的核心推动力，持续向各类终端赋能，实现不同生活场景下的语音交互。

今年6月，科大讯飞董事长刘庆峰指出，科大讯飞正经历着创业以来最充满挑战、最扣人心弦、最激动人心的历史时刻，他认为，科大讯飞迎来了语音和大模型的全新战略机遇。

不难发现，在当下大模型带动的通用人工智能浪潮下，科大讯飞已经成了最具代表性的公司之一，在核心的智能语音技术上、大模型技术上，都已经走在了行业前列。

语音交互火热十年，

什么是最大的痛点？

2016年初，《麻省理工科技评论》公布了2016年年度十大突破技术，其中，语音接口技术被排在第三位，其认为，语音识别和自然语言理解相结合，能为世界上最大的互联网市场创造切实可用的语音接口。

同时期里，语音赛道成为全球互联网领域一个新的风口，从互联网大厂到初创企业，都在试图通过互联网硬件、软件抢占这一领域。

其中的一个重要视角，是智能音箱成了全球科技巨头的一个角逐中心。

2014年以来，从国外到国内，从亚马逊的Echo到谷歌的Google Home，到苹果的HomePod，到科大讯飞的讯飞智能音箱X1，到百度的小度智能音箱，再到阿里巴巴的天猫精灵，一众科技巨头都在加速布局。

不仅是大公司，聚焦到中国市场，当时的这股潮流同样传导到了数量庞大的中小企业群体。

科技公司显然不是只想做语音智能硬件，他们的目标，是面向未来切入人工智能市场。而硬件背后的语音平台，有机会成为物联网时代的“操作系统”，连接全新的产业生态。

人工智能助手的大规模出现，也是基于这一逻辑。微软人工智能与研究事业部负责人沈向洋此前曾表示，语音智能是人机交互方式的又一次“范式迁移”。

他将人工智能助手类比几十年前计算机从命令行界面转向图形界面，当时鼠标和桌面等的出现，让人机交互变得友好而便利，由此带来了个人电脑的大规模铺开。

不难发现，在业界设想中，语音实则成了人机交互的基础工具，而智能硬件、自动驾驶汽车、消费级机器人等等，都是潜在的应用场景。

图源德勤《未来的语音世界 中国智能语音市场分析》

不过在当时，语音交互痛点不少。

核心的难题在于，机器仍然不够聪明。有业内人士曾坦言，“人工智能、人工智能 ，有多少智能，就有多少人工。”

这对应的是，机器在自然语言理解、知识获取等认知领域，仍然需要新的突破。

举个例子，2016年，在Winograd Schema Challenge大赛中，科大讯飞获得了第一名。Winograd Schema Challenge大赛有新型认知智能国际评测任务，重点考察机器是否具备理解常识并实现认知推理的能力，被认为是图灵测试的替代。

尽管获得了第一名，但当时机器的语言理解能力还远远不够，甚至不及6岁的孩子。

如何破局，成了语音交互产业迈向万物互联时代的最大命题。

突围：

深度学习带动智能语音技术加速进化

接着上文科大讯飞在Winograd Schema Challenge大赛中获得第一名说起。

这个故事的后续是，短短一年以后，2017年，科大讯飞和哈工大联合实验室又参与了斯坦福大学发起的SQuAD比赛，这次他们提交的系统模型再次斩获头名，也是中国本土研究机构首次取得SQuAD的第一。

SQuAD比赛对机器语言理解的能力要求更高，核心在于，机器聊天一般有很多通用的答案，但在SQuAD中，机器必须真正理解问题，才能回答问题。

在接下来的几年，双方这一联合团队连续多次在这项比赛中刷新纪录，其中2019年，联合团队首次在英文阅读理解的全部两项指标上超过人类平均水平，这在某种程度上意味着，科大讯飞已经站在认知智能方面的国际领先地位。

这对应的是，在智能语音产业加速进化、市场竞争持续白热化态势下，科大讯飞此类智能语音科技企业，加速走上了从单一的智能语音技术服务商、向全方位人工智能技术服务商的转型，利用在语音技术上的核心优势，在万物互联的趋势下，巩固并增强竞争优势。

事实上，早在2015年前后，刘庆峰就对公司的发展有了新的思考。他认为，科大讯飞要从当时的语音，进一步扩展为挑战更大的认知智能，也就是从能听会说，到能理解会思考。

同一时期，科大讯飞确定了认知智能战略，发布了“讯飞超脑”计划，向认知智能发起挑战。

科大讯飞希望建立起一个和人脑规模差不多大小的人工神经网络，并利用这个网络实现对人类认知、知识表达、逻辑推理等方面的模拟和学习，最终突破人类认知智能的挑战。

从认知智能的实现路径来看，要想让机器能理解、会思考，首先要布局的，是机器阅读理解和常识推理等技术。

这背后的技术背景是，自2006年深度学习技术兴起以来，语音识别实现了重大突破，进入了DNN（深度神经网络）时代；此后，语音识别技术持续进化，比如RNN（循环神经网络）、CNN（卷积神经网络）、DFCNN（深度全序列卷积神经网络）等及端到端技术的发展。

图源德勤《未来的语音世界 中国智能语音市场分析》

而在这一过程中，科大讯飞是最先布局的企业之一。

早在2012年，科大讯飞就将BN-feature和NDD-HMM两套深度学习方案上线了讯飞输入法和语音开放平台，其由此成为国内首个上线深度学习语音识别商业系统的机构，将实际场景中语音识别的准确率从60%提升到了88%左右。

也正是在“超脑计划”公布后，科大讯飞加速进入AI 1.0时代，在智能语音技术的支撑下，向认知智能不断迈进。

2022年7月，在由艾伦人工智能研究所（AI2）推出的常识推理挑战赛OpenBookAQ中，科大讯飞推出的X-Reasoner模型，以94.2%的准确率夺冠，常识推理单模型首次超过了人类平均水平。

其中呈现出来的技术能力，一方面是机器的语言理解能力提升了；另一方面则是，机器多任务学习的能力也提升了。

科大讯飞的突破来源于，其在2019年初开始做预训练模型，即目标任务之外，通过学习得到的模型。

这就好比人类原来的目标是学会阅读理解，为了实现这个目标，会去读很多的资料，比如文史知识、文学常识等等，在这个过程中人类既学会了阅读理解，也学习到了很多其他的知识，获取了其他的能力。通用人工智能的雏形已经在内部出现。

大模型时代，语音交互将被如何重构？

在2018年的上海世界人工智能大会上，科大讯飞董事长刘庆峰曾表示，下一步AI发展的关键是算法突破，希望AI不用大量数据训练就能自主学习，希望行业AI变成通用AI。

7年之后，他当年希望突破的技术已经实现，他希望看到的通用AI也已经成为现实。

通用人工智能的快速发展和落地背后，语音交互产业也正发生着新一轮变革。

逻辑在于，原来的语音合成、语音识别、机器翻译等单点技术的突破，实现了语音交互的系统性创新，但是通过大模型的自然语言理解、文本生成、指令跟随、多轮对话、情绪感知、超拟人合成等，真正使得语音交互质量得到提升。

从这一刻起，语音交互从可用、实用，走向更加好用——从我们熟知并经常使用的语音输入法、语音助手、智能音箱，到深入各个行业的智能客服、智慧座舱、语音病历等场景，智能语音技术的进一步落地，某种程度上将带来新的人机交互变革。自此，“懂你的AI助手”借助软硬件一体化等方式，全球开花。

在大模型浪潮下，语音领域的几乎所有应用，都值得用新方式重构一遍。

今年6月27日，其发布了讯飞星火大模型V4.0及相关落地应用，在底座能力上全面对标Open AI的GPT-4 Turbo。

讯飞星火V4.0在8个国际主流测试集中排名第一，并在文本生成、语言理解、知识问答、逻辑推理、数学能力等方面，实现了对GPT-4 Turbo的超越。

值得注意的是，除了这一通用大模型之外，今年1月30日，在讯飞星火大模型V3.5的升级发布会上，科大讯飞正式发布了星火语音大模型。

当时刘庆峰强调，让机器具备学习、推理和决策的能力，就是认知大模型要干的工作，“简单来说，借助大模型，我们让一段语音具备更加丰富的属性，有语种、有内容、有韵律、有音色，还有情绪。”

上个月的发布会上，星火语音大模型也迎来了升级。其发布了多语种多方言免切换语音识别能力，可支持37个语种、37种方言“自由对话”，其中，37个语种识别效果领先了OpenAI whisper-V3，37个方言识别效果平均提升了30%。

从更长远的视角来看，在语音技术和大模型的战略机遇期面前，科大讯飞实质上正加速推动人机交互的新一轮变革。

比如在汽车领域，在大模型加持下，星火汽车智能座舱全新升级，不但具备了多语种多方言的“自由交互”，还具备多情感多模态的超拟人交互，让人车交互更有温度。

回顾过去25年，科大讯飞跨越了三座高山：

起初，一群对语音技术抱有热忱、怀着将技术产业化理想的年轻人创办了这家公司，随后用了将近十年甚至更久的时间，将中国语音技术从“跟随者”改写成了“引领者”；

再到大约十年前，科大讯飞开始了新的航向，在人工智能战略的牵引下，其将公司的业务和技术布局，从感知智能拓展到了认知智能；

再到如今大模型浪潮袭来时，科大讯飞又快速反应，凭借着深厚的技术积累，推动万物互联时代的加速到来。

不难发现，科大讯飞过去的每一次技术突破，实质上都见证了中国智能语音产业从跟随到引领的过程。而可以预见，在即将来临的万物互联时代，拥有技术积累的玩家，将抓住机遇实现再一次飞跃。