推動萬物互聯(lián)時代人機交互革命

我們觀察到GPT-4o的發(fā)布，全世界都在進一步關注語音，其實在去年11月份的時候，Whisper已經(jīng)發(fā)了他們OpenAI的整體語音技術，并把語音做成一個非常重要的方向。最近蘋果的手機大家也看到了語音技術的進步，手機廠商對語音技術進一步產(chǎn)生了更大的關注，而且要用它來改變所有人機交互的方式。

人類社會進入到了萬物智能互聯(lián)的時代，越來越多的設備沒有屏幕，離我們幾米之外，不方便用鍵盤，不方便觸摸。在越來越多的時候，我們需要更自然的人機對話，用戶才能夠得到更好地體驗，更迅速地學習，獲得相關生活中的幫助，我們更需要語音。

星火語音大模型再次升級，會使得萬物互聯(lián)時代下人機交互的革命進一步落得更透，這也是科大訊飛在1999年創(chuàng)業(yè)時就提出來了要實現(xiàn)人機信息溝通的無障礙。過去10年，從深度神經(jīng)網(wǎng)絡出臺之后，科大訊飛一直引領著語音技術的發(fā)展。我們是全世界第一個讓語音識別超過了專業(yè)速記員水平的公司，像這種會議轉寫的情況，機器翻譯超過了99%的大學六級考生，通過了國家翻譯師資格考試；個性化語音合成也給央視的節(jié)目進行配音；我們的多語種技術在2020年代表中國，在美國把訊飛列入實體清單之后，對中國極限施壓的背景下，多語種技術依然保持了全球領先，解決了我們的汽車、手機、智能家居等出海“卡脖子”問題。

我們非常榮幸在幾天前獲得了國家科技進步獎一等獎，這也是中國人工智能領域在深度神經(jīng)網(wǎng)絡之后的第一個國家科技進步獎一等獎，當然也有中國科學技術大學、清華大學、華為、中國移動等合作伙伴共同努力的結果。

技術進一步發(fā)展使得我們在萬物互聯(lián)時代的人機交互標準被重新定義，它應該要實現(xiàn)多語言多方言的交互，在遠距離、高噪音場合下也能夠識別，能夠全雙工隨時隨地可以打斷，可以支持多模態(tài)，語音、手勢、嘴型等結合。大家關注的Open AI發(fā)布的GPT-4o中最重要的一個全雙工功能，實際上使用的是科大訊飛2020年就在國際會議上提出來，在去年5月正式發(fā)布的國際標準。

目前，我們的語音識別在最主流的語種上已經(jīng)繼續(xù)保持了全球領先，這是多語種多方言免切換的演示，在相對安靜的手機等各種場景下，還有更極限的場合，例如強干擾情況下“雞尾酒會”的語音識別場景都能進行識別。

伴隨著技術的最新進步，我們也有個專門的訊飛同傳軟硬一體的翻譯系統(tǒng)，這個系統(tǒng)戴上去，我在上面講話，你聽到的就是英語，當然我們還有更多語種。同時，這個翻譯系統(tǒng)是軟硬一體化的，我在后臺講話，通過語音識別、翻譯、語音合成，每個人戴著耳機就可以聽到，從而實現(xiàn)大會同傳、展廳同傳以及各種旅游同傳。一個人講話所有人聽，我們還會推出軟硬一體化的設備，讓各種語言混雜在一起可以隨意開會，要把整個軟件和硬件結合在一起，來解決現(xiàn)在社會的剛需。

將來，我們日常的機器人進入到各種高噪音環(huán)境下，在各種各樣的服務場景下，有這樣的能力，我們就不怕機器聽不懂了。語音識別進入到規(guī)?；褂?，當年我們在手機輸入法上，在全球率先提出手機語音聽寫時代開始到來，它的標志是85%以上的準確率，到89%就可以全面使用了，現(xiàn)在我們的識別中，兩個人混疊場景準確率已經(jīng)到了91%，遠超國際競品，三混疊場景準確率更是完全不一樣，我們準確率已經(jīng)到了85%以上，但其他的只有20%多。在-5dB的高噪場景，噪音已經(jīng)比我們人講話還要高不少的情況下，我們依然能做到90%以上的準確率。

因為這些技術進步，我們從去年底到今年的國際連續(xù)最權威的語音識別比賽，一個是國際多通道語音分離和識別大賽CHiME-7，我們繼續(xù)拿了全球第一；另一個是今年的上半年國際聲學、語音和信號處理會議ICASSP 2024（International Conference on Acoustics, Speech, and Signal Processing）的旗艦賽事——國際車載多通道語音識別挑戰(zhàn)賽（In-Car Multi-Channel Automatic Speech Recognition Challenge，ICMC-ASR） ，科大訊飛是全球第一，這個不是中文的，是英文和多語種的比賽。

今天，我們的語音交互已經(jīng)搭載了5700多萬輛的汽車，去年中國500多萬輛汽車出海，成為中國出海的“新三樣”，其中的多語種智能語音技術幾乎全是科大訊飛提供的。不僅僅是語音，我們還將語音與大模型結合，與紅旗、奇瑞、廣汽合作，包括最近又和一汽簽訂了戰(zhàn)略合作協(xié)議，越來越多的車企開始用我們“能聽會說、能理解會思考”的汽車方案。