（文章來源：安防知識(shí)網(wǎng)）

從文字時(shí)代到圖像時(shí)代，再到如今無處不在的語音時(shí)代，智能語音技術(shù)的流行和爆發(fā)不斷刷新著人們的生活方式。亞馬遜Echo的出現(xiàn)就是最鮮明的里程碑。大環(huán)境表明，智能語音技術(shù)最廣泛的應(yīng)用還是智能單品（智能音箱、機(jī)器人）以及智能家居等領(lǐng)域，且語音識(shí)別技術(shù)是智能語音技術(shù)最為核心的落地技術(shù)。但需要提及的是，進(jìn)入智能語音技術(shù)的發(fā)展＊＊期，智能語音技術(shù)是時(shí)候該有一些比較新穎的落地場(chǎng)景出現(xiàn)了。

隨著人工智能技術(shù)賦能各大行業(yè)，不少企業(yè)也已將戰(zhàn)略轉(zhuǎn)向了“AI＋”。而基于安防行業(yè)廣而大的應(yīng)用前景，“AI＋安防”很快就成為了市場(chǎng)的主流旋律。而身為人工智能技術(shù)的一大分支，智能語音技術(shù)自然也需要在安防行業(yè)進(jìn)行“擇業(yè)”與“取景”，首當(dāng)其沖的就是語音識(shí)別技術(shù)。

學(xué)會(huì)與機(jī)器進(jìn)行相互共同理解，即人機(jī)交互也一直是安防行業(yè)的智能核心所在。而語音識(shí)別技術(shù)作為人機(jī)交互最為核心的落地技術(shù)，該技術(shù)在安防行業(yè)也有不少落腳點(diǎn)，主要應(yīng)用在以智能巡檢機(jī)器人為代表的安防機(jī)器人身上。與其他可發(fā)聲的服務(wù)機(jī)器人類似，安防機(jī)器人通過內(nèi)置的麥克風(fēng)接受外界聲音，并對(duì)人聲進(jìn)行識(shí)別和理解，一旦讀懂“人聲”背后有類似危險(xiǎn)的行為存在，將自動(dòng)觸發(fā)報(bào)警系統(tǒng)進(jìn)入防御狀態(tài)，從而對(duì)目標(biāo)人物起到安全防護(hù)的作用。

而除了安防機(jī)器人，在安防行業(yè)的智能酒店場(chǎng)景之中，語音識(shí)別技術(shù)也起到了關(guān)鍵性的作用。在阿里近日開張的未來酒店中，盡管人臉識(shí)別是其主打技術(shù)，但貫穿酒店服務(wù)全過程中的智能機(jī)器人也是不可缺乏的關(guān)鍵人物。在阿里未來酒店中，機(jī)器人充當(dāng)著酒店前臺(tái)的作用，對(duì)入住房客進(jìn)行全過程引導(dǎo)，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(yàn)。在未來酒店的入住過程中，不管是充當(dāng)前臺(tái)的機(jī)器人還是服務(wù)員天貓精靈，其都是通過語音識(shí)別技術(shù)完成人機(jī)交互，從而通過這種用語音識(shí)別技術(shù)打造的全棧式語音交互系統(tǒng)，隨時(shí)隨地打造智能互聯(lián)的場(chǎng)景。

當(dāng)然，語音識(shí)別技術(shù)在安防行業(yè)的應(yīng)用，也涉足到了智慧金融、智慧教育等多個(gè)智慧化場(chǎng)景當(dāng)中。以人臉識(shí)別技術(shù)為核心的視頻監(jiān)控時(shí)安防行業(yè)的主要應(yīng)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(shù)輔助人臉識(shí)別，使得視頻監(jiān)控更為智能化。市場(chǎng)都在談?wù)Z音識(shí)別技術(shù)，但很少有企業(yè)注意，聲紋識(shí)別以及語音情感識(shí)別也歸屬于智能語音技術(shù)。

聲紋識(shí)別也稱說話人識(shí)別，通過將聲信號(hào)轉(zhuǎn)換成電信號(hào)，再用計(jì)算機(jī)進(jìn)行識(shí)別?？删唧w分為說話人辨認(rèn)和說話人確認(rèn)。在不同場(chǎng)景，聲紋識(shí)別技術(shù)的選擇不同，如縮小刑偵范圍時(shí)可能需要辨認(rèn)技術(shù)，而銀行交易時(shí)則需要確認(rèn)技術(shù)。語音情感識(shí)別是情感識(shí)別的方式之一，是指由計(jì)算機(jī)自動(dòng)識(shí)別輸入語音的情感狀態(tài)。計(jì)算機(jī)通過傳感器對(duì)不同聲調(diào)表情的語言信號(hào)，在時(shí)間構(gòu)造、振幅構(gòu)造、基頻構(gòu)造和共振峰構(gòu)造等特征方面的構(gòu)造特點(diǎn)和分布規(guī)律進(jìn)行測(cè)算和分析，從而識(shí)別出所有語言聲調(diào)中所隱含的情感內(nèi)容。

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

不可否認(rèn)，由人臉識(shí)別、聲紋識(shí)別以及語言情感識(shí)別形成的多模態(tài)交互系統(tǒng)，應(yīng)該能安防行業(yè)打開不少新應(yīng)用大門，例如場(chǎng)景分析和事件檢測(cè)。而在新一輪AI產(chǎn)業(yè)變革下，多模態(tài)技術(shù)也將成為決勝關(guān)鍵?！盁o語音不安防”，聽起來似乎是個(gè)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(yè)，還有許多難點(diǎn)需要解決。

廣泛認(rèn)為，人工智能在安防行業(yè)的應(yīng)用布局，還有四個(gè)“如何”需要解決——如何打造場(chǎng)景化AI應(yīng)用，滿足用戶需求？如何構(gòu)建行業(yè)智能系統(tǒng)，解決產(chǎn)業(yè)實(shí)際問題？如何完善基礎(chǔ)設(shè)施、產(chǎn)業(yè)標(biāo)準(zhǔn)和安全防范機(jī)制？如何構(gòu)建互利共贏的智能產(chǎn)業(yè)新生態(tài)？而這四個(gè)如何，放在智能語音技術(shù)在安防行業(yè)的應(yīng)用上來看，也毫無違和感。

遠(yuǎn)場(chǎng)語音識(shí)別應(yīng)該是智能語音在安防行業(yè)進(jìn)行語音識(shí)別中最為關(guān)鍵的核心技術(shù)，但這種技術(shù)依舊還存在著回聲、噪聲以及混響三大技術(shù)瓶頸、最為直觀的例子在于，安防機(jī)器人在公共區(qū)域執(zhí)行安保工作之時(shí)，由于所接收的語音信號(hào)太多，其無法對(duì)目標(biāo)語音進(jìn)行分離，從而無法進(jìn)行正常識(shí)別。

再比如上文所提及的語言情感識(shí)別技術(shù)。實(shí)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?yàn)槊娌勘砬樾盘?hào)傳達(dá)了個(gè)人特征和表情，并不傳達(dá)語言信息，而語音信號(hào)是混合信息，包括說話者特征、情感和說話內(nèi)容中強(qiáng)調(diào)的詞匯和語法，其所需要進(jìn)行訓(xùn)練和學(xué)習(xí)的數(shù)據(jù)都比人臉識(shí)別多得多。

而除了遠(yuǎn)場(chǎng)語音識(shí)別和語言情感識(shí)別技術(shù)難題，智能語音技術(shù)自身還有不少難題未能突破，包括、口音、目標(biāo)說話人分離、多語種混雜、高效遷移與數(shù)據(jù)迭代以及行業(yè)標(biāo)準(zhǔn)和攻擊防御等等，導(dǎo)致其不止在安防行業(yè)，現(xiàn)階段AI智能語音在各行業(yè)的應(yīng)用，似乎用“人工智障”來形容會(huì)更為合適。
? ? ? （責(zé)任編輯：fqj）