（文章來源：量子位）

2019年，NLP和語音技術取得了多項技術突破，但是科技公司考慮更多的是AI的“場景”，如何在各種場景中都能方便地集成語音功能。10月，谷歌在Pixel手機發布會上宣布，將語音識別模型壓縮到50M集成在手機中，實現離線的語音轉寫。而國內的幾家語音技術公司想得更遠，將語音技術的接口提供給更多的開發者和企業，讓AI的應用場景更廣闊。百度就是其中一家。

“生物在物競天擇的環境中進化，而AI在應用場景中進化。”在今天的百度大腦語音能力引擎論壇上，百度CTO王海峰如是說。王海峰也透露，百度大腦的語音能力日均調用量超100億次，居國內第一。擁有國內最大的AI開放平臺的百度大腦，目前已接入開發者超過150萬，開放228項技術能力。

就在同一天，權威調研機構IDC發布的《2019中國AI云服務市場廠商評估》報告顯示，百度智能云憑借著在AI技術、市場和商業上的表現，在中國排名第一。這也從側面反映了百度AI在市場中的影響力。除了語音技術外，百度在其他AI技術上也全面開花。9月，百度在CCKS 2019“知識圖譜問答”大賽中奪冠；11月，Forrester發布報告顯示，百度智能云的計算機視覺能力在8大維度獲得第一。

這主要是由于百度智能云入局AI最早，也是國內唯一擁有完全自主深度學習框架的云服務商，搶占了AI落地的先機。因此用上百度語音技術的開發者越來越多，這些數字的背后，有百度大腦語音技術團隊的研發實力作為支持。團隊的領頭人，就是今年8月在朋友圈宣布回歸百度的技術大牛賈磊。他介紹了百度語音軟硬件技術獨一無二的“秘籍”。

據Canalys等第三方統計機構的數據，小度音箱在國內市場的占有率在今年登上了第一，賈磊認為這是市場對百度大腦技術的肯定。百度語音首席架構師賈磊表示，百度大腦的語音技術在今年又取得了一項突破性進展，可以將未來小度音箱的技能進一步提升。這項新技術全稱為“基于復數CNN的語音增強和聲學建模一體化端到端建模技術”。賈磊表示，這項技術顛覆了傳統的語音識別算法。

目前，市面上主流的智能音箱采用的語音識別算法，是先將音頻轉化為文字，再對文字進行語義理解。這就好比兩個人相互交流，先把語音寫成文字，然后通過閱讀文字來理解內容。這種識別方式與人相差甚遠，而且也存在著諸多問題。首先，這種方式只有在喚醒識別后才能確定語音的方向，如果噪聲與聲音方向相同，則會導致識別率很低。而且無法應對說話者邊走邊說的情形。

而百度大腦提出的基于復數CNN的端到端模型，可以直接將聲音轉換成語義，更接近于人的語音交互方式，對噪聲的抵抗力更強。賈磊表示，這項技術讓遠場語音識別的錯誤率降低了30%以上，對語音識別性能的提升幅度屬業內最大，是一項革命性、顛覆性的技術。這種模型完全不依賴于數字信號處理等技術學科，用機器學習將最初的音節和最終語義直接打通，實現數字信號處理和語音識別一體化。

有了復數CNN的端到端模型，智能音箱難以解決的幾大使用場景問題都會得到解決。比如，我們很難一邊走動一邊和智能音箱不間斷多輪對話；在大聲播放電視或音樂時，智能音箱也無法聽清我們。這些常見場景過去一直是智能音箱難以使用的痛點，未來都有望被復數CNN的端到端模型所化解。未來的讓模型結構能成功落地，百度還研發了一種利用近場數據來模擬生成遠場訓練數據的方法。利用該方法，百度成功訓練出可以達到落地水平的一體化聲學模型。

（責任編輯：fqj）