推動(dòng)萬物互聯(lián)時(shí)代人機(jī)交互革命

我們觀察到GPT-4o的發(fā)布，全世界都在進(jìn)一步關(guān)注語音，其實(shí)在去年11月份的時(shí)候，Whisper已經(jīng)發(fā)了他們OpenAI的整體語音技術(shù)，并把語音做成一個(gè)非常重要的方向。最近蘋果的手機(jī)大家也看到了語音技術(shù)的進(jìn)步，手機(jī)廠商對(duì)語音技術(shù)進(jìn)一步產(chǎn)生了更大的關(guān)注，而且要用它來改變所有人機(jī)交互的方式。

人類社會(huì)進(jìn)入到了萬物智能互聯(lián)的時(shí)代，越來越多的設(shè)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(shí)候，我們需要更自然的人機(jī)對(duì)話，用戶才能夠得到更好地體驗(yàn)，更迅速地學(xué)習(xí)，獲得相關(guān)生活中的幫助，我們更需要語音。

星火語音大模型再次升級(jí)，會(huì)使得萬物互聯(lián)時(shí)代下人機(jī)交互的革命進(jìn)一步落得更透，這也是科大訊飛在1999年創(chuàng)業(yè)時(shí)就提出來了要實(shí)現(xiàn)人機(jī)信息溝通的無障礙。過去10年，從深度神經(jīng)網(wǎng)絡(luò)出臺(tái)之后，科大訊飛一直引領(lǐng)著語音技術(shù)的發(fā)展。我們是全世界第一個(gè)讓語音識(shí)別超過了專業(yè)速記員水平的公司，像這種會(huì)議轉(zhuǎn)寫的情況，機(jī)器翻譯超過了99%的大學(xué)六級(jí)考生，通過了國家翻譯師資格考試；個(gè)性化語音合成也給央視的節(jié)目進(jìn)行配音；我們的多語種技術(shù)在2020年代表中國，在美國把訊飛列入實(shí)體清單之后，對(duì)中國極限施壓的背景下，多語種技術(shù)依然保持了全球領(lǐng)先，解決了我們的汽車、手機(jī)、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(jìn)步獎(jiǎng)一等獎(jiǎng)，這也是中國人工智能領(lǐng)域在深度神經(jīng)網(wǎng)絡(luò)之后的第一個(gè)國家科技進(jìn)步獎(jiǎng)一等獎(jiǎng)，當(dāng)然也有中國科學(xué)技術(shù)大學(xué)、清華大學(xué)、華為、中國移動(dòng)等合作伙伴共同努力的結(jié)果。

技術(shù)進(jìn)一步發(fā)展使得我們?cè)谌f物互聯(lián)時(shí)代的人機(jī)交互標(biāo)準(zhǔn)被重新定義，它應(yīng)該要實(shí)現(xiàn)多語言多方言的交互，在遠(yuǎn)距離、高噪音場合下也能夠識(shí)別，能夠全雙工隨時(shí)隨地可以打斷，可以支持多模態(tài)，語音、手勢(shì)、嘴型等結(jié)合。大家關(guān)注的Open AI發(fā)布的GPT-4o中最重要的一個(gè)全雙工功能，實(shí)際上使用的是科大訊飛2020年就在國際會(huì)議上提出來，在去年5月正式發(fā)布的國際標(biāo)準(zhǔn)。

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

伴隨著技術(shù)的最新進(jìn)步，我們也有個(gè)專門的訊飛同傳軟硬一體的翻譯系統(tǒng)，這個(gè)系統(tǒng)戴上去，我在上面講話，你聽到的就是英語，當(dāng)然我們還有更多語種。同時(shí)，這個(gè)翻譯系統(tǒng)是軟硬一體化的，我在后臺(tái)講話，通過語音識(shí)別、翻譯、語音合成，每個(gè)人戴著耳機(jī)就可以聽到，從而實(shí)現(xiàn)大會(huì)同傳、展廳同傳以及各種旅游同傳。一個(gè)人講話所有人聽，我們還會(huì)推出軟硬一體化的設(shè)備，讓各種語言混雜在一起可以隨意開會(huì)，要把整個(gè)軟件和硬件結(jié)合在一起，來解決現(xiàn)在社會(huì)的剛需。

將來，我們?nèi)粘５臋C(jī)器人進(jìn)入到各種高噪音環(huán)境下，在各種各樣的服務(wù)場景下，有這樣的能力，我們就不怕機(jī)器聽不懂了。語音識(shí)別進(jìn)入到規(guī)?；褂?，當(dāng)年我們?cè)谑謾C(jī)輸入法上，在全球率先提出手機(jī)語音聽寫時(shí)代開始到來，它的標(biāo)志是85%以上的準(zhǔn)確率，到89%就可以全面使用了，現(xiàn)在我們的識(shí)別中，兩個(gè)人混疊場景準(zhǔn)確率已經(jīng)到了91%，遠(yuǎn)超國際競品，三混疊場景準(zhǔn)確率更是完全不一樣，我們準(zhǔn)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?nèi)酥v話還要高不少的情況下，我們依然能做到90%以上的準(zhǔn)確率。

因?yàn)檫@些技術(shù)進(jìn)步，我們從去年底到今年的國際連續(xù)最權(quán)威的語音識(shí)別比賽，一個(gè)是國際多通道語音分離和識(shí)別大賽CHiME-7，我們繼續(xù)拿了全球第一；另一個(gè)是今年的上半年國際聲學(xué)、語音和信號(hào)處理會(huì)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(shí)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(gè)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(shù)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(jié)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(huì)說、能理解會(huì)思考”的汽車方案。