（文章來源：安防知識網）

從文字時代到圖像時代，再到如今無處不在的語音時代，智能語音技術的流行和爆發不斷刷新著人們的生活方式。亞馬遜Echo的出現就是最鮮明的里程碑。大環境表明，智能語音技術最廣泛的應用還是智能單品（智能音箱、機器人）以及智能家居等領域，且語音識別技術是智能語音技術最為核心的落地技術。但需要提及的是，進入智能語音技術的發展＊＊期，智能語音技術是時候該有一些比較新穎的落地場景出現了。

隨著人工智能技術賦能各大行業，不少企業也已將戰略轉向了“AI＋”。而基于安防行業廣而大的應用前景，“AI＋安防”很快就成為了市場的主流旋律。而身為人工智能技術的一大分支，智能語音技術自然也需要在安防行業進行“擇業”與“取景”，首當其沖的就是語音識別技術。

學會與機器進行相互共同理解，即人機交互也一直是安防行業的智能核心所在。而語音識別技術作為人機交互最為核心的落地技術，該技術在安防行業也有不少落腳點，主要應用在以智能巡檢機器人為代表的安防機器人身上。與其他可發聲的服務機器人類似，安防機器人通過內置的麥克風接受外界聲音，并對人聲進行識別和理解，一旦讀懂“人聲”背后有類似危險的行為存在，將自動觸發報警系統進入防御狀態，從而對目標人物起到安全防護的作用。

而除了安防機器人，在安防行業的智能酒店場景之中，語音識別技術也起到了關鍵性的作用。在阿里近日開張的未來酒店中，盡管人臉識別是其主打技術，但貫穿酒店服務全過程中的智能機器人也是不可缺乏的關鍵人物。在阿里未來酒店中，機器人充當著酒店前臺的作用，對入住房客進行全過程引導，而在酒店房間中，房客也可通過與天貓精靈的交流，從而完善自己的住房體驗。在未來酒店的入住過程中，不管是充當前臺的機器人還是服務員天貓精靈，其都是通過語音識別技術完成人機交互，從而通過這種用語音識別技術打造的全棧式語音交互系統，隨時隨地打造智能互聯的場景。

當然，語音識別技術在安防行業的應用，也涉足到了智慧金融、智慧教育等多個智慧化場景當中。以人臉識別技術為核心的視頻監控時安防行業的主要應用，這種我們無需多談，但未來我們是否也能腦洞大開，用智能語音技術輔助人臉識別，使得視頻監控更為智能化。市場都在談語音識別技術，但很少有企業注意，聲紋識別以及語音情感識別也歸屬于智能語音技術。

聲紋識別也稱說話人識別，通過將聲信號轉換成電信號，再用計算機進行識別。可具體分為說話人辨認和說話人確認。在不同場景，聲紋識別技術的選擇不同，如縮小刑偵范圍時可能需要辨認技術，而銀行交易時則需要確認技術。語音情感識別是情感識別的方式之一，是指由計算機自動識別輸入語音的情感狀態。計算機通過傳感器對不同聲調表情的語言信號，在時間構造、振幅構造、基頻構造和共振峰構造等特征方面的構造特點和分布規律進行測算和分析，從而識別出所有語言聲調中所隱含的情感內容。

盡管當前人臉識別技術的識別率高達99％甚至是99．9％，但剩下的1％甚至0．1％卻是當前科技無法攻克的難題。想象一下，如果在當前具備人臉識別的視頻監控系統中加入聲紋識別和語音情感識別技術，形成的聲像融合技術（讀唇），即使目標受眾處于無聲狀態，也能對其思想及行為進行預測和識別，當前的視頻監控系統是否也將提升到一個新的智能化高度，真正做到“防患于未然”。

不可否認，由人臉識別、聲紋識別以及語言情感識別形成的多模態交互系統，應該能安防行業打開不少新應用大門，例如場景分析和事件檢測。而在新一輪AI產業變革下，多模態技術也將成為決勝關鍵。“無語音不安防”，聽起來似乎是個挺好的愿景。但遺憾的是，就目前看來，智能語音要“取景”安防行業，還有許多難點需要解決。

廣泛認為，人工智能在安防行業的應用布局，還有四個“如何”需要解決——如何打造場景化AI應用，滿足用戶需求？如何構建行業智能系統，解決產業實際問題？如何完善基礎設施、產業標準和安全防范機制？如何構建互利共贏的智能產業新生態？而這四個如何，放在智能語音技術在安防行業的應用上來看，也毫無違和感。

遠場語音識別應該是智能語音在安防行業進行語音識別中最為關鍵的核心技術，但這種技術依舊還存在著回聲、噪聲以及混響三大技術瓶頸、最為直觀的例子在于，安防機器人在公共區域執行安保工作之時，由于所接收的語音信號太多，其無法對目標語音進行分離，從而無法進行正常識別。

再比如上文所提及的語言情感識別技術。實際上，將語音中的情感特征化比面部表情的特征化難得多，因為面部表情信號傳達了個人特征和表情，并不傳達語言信息，而語音信號是混合信息，包括說話者特征、情感和說話內容中強調的詞匯和語法，其所需要進行訓練和學習的數據都比人臉識別多得多。

而除了遠場語音識別和語言情感識別技術難題，智能語音技術自身還有不少難題未能突破，包括、口音、目標說話人分離、多語種混雜、高效遷移與數據迭代以及行業標準和攻擊防御等等，導致其不止在安防行業，現階段AI智能語音在各行業的應用，似乎用“人工智障”來形容會更為合適。
? ? ? （責任編輯：fqj）