交互模式的变革贯穿了整个 IT 产业的发展史，语音交互很有可能成为下一代人机交互的主要模式。

语音识别与自然语音处理是机器能够“听懂”用户语言的主要技术基础，其中语音识别注 重对用户语言的感知，目前在中文语音识别上，国内已经达到 97％的语音识别准确率，这要 归功于深度神经网络的应用、算力的提高以及大数据的积累。语音识别是机器感知用户的基础， 在听到用户的指令之后，更为重要的是如何让机器懂得指令的意义，这就需要自然语言处理将 用户的语音转化为机器能够反应过来的机器指令，包括自然语言理解、多轮对话理解、机器翻 译技术等。对于自然语言处理方面，虽然深度学习能起到的作用还有待观察，但在语义理解和 语言生成等领域都有了重要突破。很多提供语音技术服务的公司也突破了原有 的单纯语音识别或者语义理解的业务框架，开始提供整体的智能语音交互产品。

1. 语音识别技术 语音识别技术已趋于成熟。语音识别的目标是将人类语音表达的内容转换为机器可读的输 入，用于构建机器的“听觉系统”。语音识别技术经历了长达 60 年的发展。近年来，机器学 习和深度神经网络的引入，使得语音识别的准确率提升到足以在实际场景中应用。早在 2016 年年初，美国麻省理工学院（MIT）主办的知名科技期刊《麻省理工科技评论》评选出了“2016 年十大突破技术”，语音识别位列第三，与其他技术一起“到达一个里程碑式的阶段或即将到 达这一阶段”。 深度神经网络声学模型的几个重大发展阶段如下： 2006 年，Geoffrey Hinton 提出深度置信网络（DBN），促进了深度神经网络的研究。 2009 年，Geoffrey Hinton 将深度神经网络应用于声音的声学建模，当时在 TIMIT 上 获得了很好的结果。 2011 年底，微软研究院又把深度神经网络技术应用在了大词汇连续识别任务上，大 大降低了语音识别的错误率。从此以后，基于深度神经网络声学模型技术的研究变得 异常火热。 微软 2016 年 10 月发布的 Switchboard 语音识别测试中，更是取得了 5.9%的词错误率，第 一次实现了和人类一样的识别水平，这是一个历史性突破。 语音识别整个过程（见图 2-8）包含语音信号预处理、声学特征提取、声学和语言模型建 模、解码等多个环节。简单来说，声学模型用来模拟发音的概率分布，语言模型用来模拟词语 之间的关联关系，而解码阶段就是利用上述两个模型将声音转化为文本。

深度神经网络声学模型主要应用于声学、语言模型建模、解码等各个主要环节，模型主要 包括深度神经网络、长短时记忆网络（LSTM）、双向长短时记忆网络（BLSTM）、深度卷 积神经网络（Deep CNN）、Residual/Highway 网络等模型。

总之，语音识别作为一类重要的基础技术，应用十分广泛，并且己有不少产品为人们所 熟知，语音识别产业的增长主要靠渗透率的提升和应用的突破，主要的应用包括语音助手、 语音输入、语音搜索等，可应用在各类移动 APP 应用和终端应用等对人机交互有较高要求 的领域。对于语音识别技术而言，率先发展起来的服务机器人和语音助手已占据数据积累的 领先地位，在家居、出行、运动等多个场景中，语音交互正在爆发，智能音箱、智能车载、 智能手表等产品中，通过接入语音交互技术，实现随身陪伴、语音助理的功能。国内现已涌 现出一批发展较好的智能语音相关企业，其中技术领先和产品成熟的企业主要有科大讯飞、 百度、小米等。语音识别经过几年的技术积累己相对成熟，厂商仍在发展方言识别等更为精 准的识别方式。