dingdong智能音箱：听见科技的声音.pdf

DingDong智能音箱：听见科技的声音 论文类别：计算机 - 网络营销 上传时间：2015/6/17 19:02:00 论文作者：未知 在今年首届亚洲消费电子展(International CES Asia)上，京东智能与科 大讯飞联手推出了首款产品——DingDong智能音箱，一经发布便引起了业界的 普遍关注。其不仅开创了一种崭新的语音交互方式，同时也是一款具有入口级 战略意义的智能产品。语音交互一直是人类探索人机交互的下一步场景。这种 场景让我们可以彻底解放双手，如果你认为这种情况还只能出现在科幻电影 里，那不妨看看京东智能与科大讯飞是如何让科幻照进现实的。 自由之声：麦克风远场识别技术 语音交互想要做到智能化，首先是要在场景的使用上足够自由，也就是说， 不论你在客厅的哪个角落发出指令，设备都能够准确的识别。想要做到这样一 种体验，它所涉及的是多种复杂的语音交互处理。 目前室内的语音交互受到背景噪音、其他人声干扰、回声、混响等多重复杂 因素影响，导致识别率极低，甚至无法使用，只能在相对安静、近距离的环境 下使用。为了能够打破这种限制，科大讯飞为DingDong智能音箱提供了远场识 别技术，使语音交互的距离可以达到5米且保证识别率在90%以上，这也是目 前市场上唯一支持5米的超远距离语音交互产品。 该技术利用安放在音箱顶部的8个麦克风阵列，实现空间上360°的语音信 号采集，通过声源定位来确定目标说话人的方向。同时，利用麦克风阵列形成 的空域滤波特性，在目标说话人方向形成拾音波束，抑制波束之外的噪音和反 射声，此外，结合独特的去混响算法，最大程度的吸收反射声，从而达到去混 响的目的。 细心设计的结构与精密的算法结合，将目标声源方向之外的噪声或干扰抑制 10dB 以上，很好的保障了DingDong智能音箱的语音识别率。 g 在排除了外部干扰之后，音箱本身所发出的声音，如何不变成干扰，使用户 可以在播放过程中进行唤醒和打断，DingDong智能音箱采用了基于多通道回声 消除的语音打断技术，通过多通道回声消除和麦克风阵列技术的结合，实现音 箱在播放100dB 的音乐时，可以做到90%的语音唤醒率。 聆听之声：语音识别技术 在解决了远距离语音交互的混响和噪音问题后， “语音识别”便成了决定这 款音箱是否智能的关键。“语音识别”技术相当于给计算机系统装上 “耳 朵”，使其具备 “能听”的功能。该技术经过语音信号处理、语音特征处理、 模型训练及解码引擎等复杂步骤，使机器最终能够将语音中的内容、说话人、 语种等信息识别出来。 为此科大讯飞将深度神经网络技术引入到了语音识别当中。通过海量训练语 料基础上的高精度声学模型和语言模型训练，并结合极致的解码引擎工程技 术，使识别效果和识别速度有了质的提升。大词汇连续语音识别率达到95%以 上，命令词识别率达到99%以上，解码引擎可以在用户讲话后40毫秒内给出结 果，实现真正的 “秒懂”。 不仅要 “秒懂”还要24小时待命，在我需要的时候，发出特定的唤醒词触发 语音识别系统，以实现后续的语音交互。然而这仅仅是挑战的开始，人类的语 言是复杂的，每个人说话时，口音、语速、口头禅都不一样，智能设备只会识 别一些基本词句显然远远不够，它们必须更懂你。懂你的口音、方言、口头禅 亦或时不时蹦出来的专业词汇等。这就牵扯到另外一项技术——个性化识别技 术。 个性化识别指的是语音识别系统具备自动学习并适应用户使用习惯的能力， 你用的越多，它越懂你。一般来说，个性化识别包括发音和语言两方面。其中 发音个性化主要是指系统对用户语速、口音等发音习惯的学习，而语言个性化 主要是指系统可以对用户的特定词汇(例如人名、地名、口头禅、专业词汇等) 具备更好的辨识性。在DingDong智能音箱所采用的个性化识别技术上，能够针 对每个人的兴趣点、知识背景来进行个性化语言模型建模，从而准确识别出个 性化的词汇内容。 联接之声：微联与京东智能云 既然是一款具有入口级战略意义的智能产品，在迈入了语音交互的这道门槛 之后，它所要做的就是联接。DingDong智能音箱已经接入到了京东微联的平台 当中，这意味着通过微联的平台你可以跨品牌、跨平台的与多种智能设备连 接，并控制。目前京东微联对接的产品已经超过400款，覆盖生活电器、厨房 电器、空调、可穿戴设备。试想一下，你可以对DingDo