隨著我國人工智能發展規劃的出臺，以及各項關鍵技術的日趨成熟，物聯網時代逐步成為繼移動互聯網時代的下一個浪潮，人機交互開啟新一輪的需求革新，從鼠標、鍵盤、觸屏的傳統交互向語音交互演進，社會正在飛速進入智能語音交互時代。

以“語音+內容+智能”為切入點，打造自主設計、自主整合、自主運營的一站式語音交互共享平臺，構建可運營、能變現的語音交互生態，賦能多形態終端產品，打造能聽會說的人機交互體驗，是未來智慧家庭發展的大趨勢，也是中國移動智慧家庭運營中心推進數字家庭生態建設的重點方向。

1 語音交互是智慧家庭生態布局的關鍵入口

1.1 人機交互需求不斷革新

伴隨著交互場景的拓展，人們逐漸對交互自由度提出了更大需求，語音交互越來越貼近人類的本能表達。語音交互憑借其輸入速度快、場景限制少、技術鏈條發展成熟等優勢，成為智能時代的理想交互途徑，并逐步向交互智能、終端多態、服務泛在的方向發展。

1.2 家庭場景服務更加智能

語音交互是將人工智能技術底層產業化的關鍵，語音助手連接多形態終端和廣泛業務，可提供內容服務、互聯網服務，以及場景化智能家居控制等服務，為家庭用戶提供互動娛樂、互動教育、家庭健康、家庭安防等新型產品體驗，其中智能音箱成為首款爆發單品，并逐步向更多產品形態延伸。

2 核心技術攻關提升體驗

智能語音交互主要涉及語音識別、語義理解和語音合成等技術。語音識別技術能將語音流轉換為文本，語義理解技術可分析語句的含義、剖析用戶意圖，語音合成技術將解析結果以語音的方式反饋給用戶，從而實現與用戶的智能語音交互。

2.1 語音識別——聽得清

智能語音交互平臺現采用基于Transformer算法的端到端模型，具備識別速度快、識別準確率高的特性。該模型采用基于上下文理解的自注意力機制，提升了語義特征提取能力，解決了傳統模型中聲學模型和語言模型無法聯合優化的問題，并且該算法能更好地利用先進硬件實現并行計算，從而提升運算速度。

2.2 語義理解——聽得懂

平臺采用基于規則+深度+關鍵詞匹配算法的多算法融合模型理解用戶意圖，規則算法對于較短文本可實現快速準確的匹配，深度學習算法可對詞表無法覆蓋的新詞進行識別，關鍵詞匹配算法對于詞表順序顛倒、文本長尾問題，能快速準確地識別文本意圖。

2.3 語音合成——說得明

平臺采用端到端合成系統，可直接輸入文本或注音字符，直接輸出音頻波形，該系統降低了對語言學知識的要求，能批量實現幾十種甚至更多語種的合成系統，并且它表現出豐富的發音風格和強大的韻律表現力，加快不同聲音的合成。

3 語音OS鍛造，賦能語音生態

3.1 語音助手，賦能多形態終端

智能語音交互平臺面向多形態終端提供語音助手，采用Hook技術分離各個子模塊，實現語音點播、通話、聽書、對話等功能，協助平臺構建聲紋、情緒、體感等多模態識別交互和相應反饋、推薦業務，兼容主流操作系統，支持自定義接口擴展，大大縮短接入周期和研發成本，快速賦能生態硬件及應用的語音交互能力。

3.2 語音插件，賦能海量應用

平臺面向海量應用提供語音交互插件，制定標準開放協議，基于IPC實現第三方應用與Launcher的跨進程通訊，當用戶調用語音控制，由平臺下發熱詞及詞槽信息，Launcher進行動態匹配并下發至第三方應用，可進行直播、點播、播控等，從而實現所見即所得。

4 整套場景封裝，提供系統解決方案

4.1 全屋智能

基于智能語音交互能力和Andlink智能家居云平臺，提供智能音箱、智能面板、智能照明、智能開關等一體化全屋智能解決方案，實現跨廠商設備的接入和語音控制，可與智能門禁、攝像頭等結合，實現家庭安防組合等細分場景。

4.2 AI客廳

打造智慧屏，通過語音遙控器、智能音箱與智能電視結合的方式，實現電視播控推薦，將語音能力賦能教育、電商、音樂、游戲、健康等大屏應用，發揮輕量級語音技能，實現一說即得的用戶體驗。

4.3智能對話服務

提供融合語義推導與語義匹配的對話理解技術，預置涵蓋音視頻娛樂、設備控制、生活服務等領域的對話能力及詞典，高效定制對話能力，在智能助手、在線客服、語音家教等領域可廣泛應用。

5 結束語

智能語音交互系統攻關語音識別、語義理解、語音合成等技術，快速賦能多形態終端，應用于 “能聽會說”、“能理解會思考”的AI交互體驗，實現從概念、技術到商業產品、功能應用的跨越，形成一個以語音交互技術為核心的全新應用生態鏈，促進人工智能產業的迅猛發展。

在5G快速發展的背景下，高帶寬和低時延特性促使智能語音交互技術不斷攻克新的難題，開啟新的篇章。在“理解”層面，重點打造“支持打斷和智能糾正”的認知型對話引擎，實現自然交互的本質要求；在“應用”層面，語音交互內容技能生態將滲透各個領域，并進行場景化的封裝，真正實現海量服務“開口即得”的交互體驗；在“接入”層面，語音助手持續擴大樞紐作用，賦能更多形態終端和交互應用規模起量，實現萬物均能說話；在“沉浸式”層面，將融合語音識別、人臉識別、表情分析、唇動狀態、眼球跟蹤、手勢識別、觸覺監控等智能人機交互手段，完善“端-端”、“端-云-端”的交互協議，打造沉浸式多模態互動體驗。

當人機交互越來越貼近自然表達，中國移動智慧家庭運營中心將持續深化智能語音生態體系建設，引領未來美好生活。

責任編輯：gt