语音识别，虽早已不是新鲜技术，但实现语音实时转换成文字的听写转录，却成了人工智能领域垂直场景落地的新突破点。近日，搜狗推出转录、速记“神器”——搜狗听写，从搜狗输入法的语音识别“进化”到搜狗听写，AI 应用逐渐“飞入寻常百姓家”，自然交互也领跑着 AI 场景化落地。
当 2006 年搜狗输入法正式上线时，用户正处于键盘输入的黄金时代；2011 年，搜狗开始前瞻布局自己的语音技术，并在一年之内快速产品化。从键盘到触屏，再到语音输入，搜狗输入法在“人机交互”方式上不断积累着经验，用嘴打字也逐渐从时尚变成用户习惯。
语音是人类交流、人机交互最自然的方式，它同样也被认为是开启人工智能时代的起点。搜狗公司作为国内 AI 能力最强的互联网公司之一，早已建立了强大的语音自研团队，拥有目前互联网规模最大的语音数据。统计显示，搜狗输入法单语音输入日频次已达 2.6 亿次，比一年前增长 80% 以上。通过大规模的优质语音训练数据和深度学习的技术能力积累，搜狗也将这种语音识别的技术优势转化到了更多的适用场景中。
从技术上来看，搜狗听写产品的关键在于语音识别准确率，据了解，搜狗听写使用了搜狗输入法的长时语音转写技术，从立项到现在，错误率已经下降了 30%。在声学模型方面，采用了端到端深度神经网络技术 Deep LC-CLDNN+CTC 技术，转写模式则使用了 Deep CNN+CTC 的方式，语言模型基于T级海量输入法文本数据使用神经网络进行建模。
搜狗听写的识别准确率已达到国际领先水平，语音输入比键盘打字更快、更方便、更准确。但 AI 的应用过程并不完全是技术导向，而是场景驱动的产品导向，重点在于如何深入用户需求、怎样更多地结合使用场景，只有把需求和场景结合起来才能成为好的 AI 产品。在语音领域，搜狗最先意识到，产品落地需要场景驱动，在垂直化场景中，AI 才能真正为用户所用。
在具体的应用场景上，搜狗听写针对用户使用的不同环境，如开会，写小说等场景进行优化，识别效果较通用效果提升 15% 以上；针对图书馆、咖啡厅等不便于大声说话而又有使用语音的场景，提供耳语识别技术，在人的说话音量低至 30 分贝时，依然可以准确识别。搜狗听写作为一款多场景的语音听写工具，大大提高了用户生产力。
从搜狗输入法的语音识别能力延伸到搜狗听写，自然交互改变生活的大幕逐渐拉开。未来，语音技术在各种应用场景中还有大量机会，比如在智能家居的场景，我们希望回家以后可以使用语音和电视、遥控器、音箱、窗帘等讲话。不仅是智能家居应用场景，而且在更多的垂直化应用场景中，如车载、医疗、教育等环境，语音带来的人机交互变化将深刻改变我们的生活方式和习惯。
人类对于人工智能的终极描绘，始终是同人一样进行自然的语言交流，这也是搜狗人工智能的发展目标。对于搜狗输入法，AI 也赋予了它更多的未来，在搜狗的概念中，使用输入法时机器能更好地理解人的意图，从而推送相关联的信息、衍生内容，未来，搜狗输入法的辅助对话将帮助人类在机器时代更好地进行交流。
从输入法到搜狗听写再到辅助对话，搜狗通过 AI 技术对人的自然交互进行了延展，提高了设备的便利性、及时性，拓宽了实用场景并增加了交互纬度，搜狗一直在做的就是帮助用户“表达和获取信息更简单”，将人工智能技术发展聚焦在语言领域，自然交互领跑着 AI 应用落地。
相关文章
