AI人工智能的语音技术问题

现在大多数的语音智能AI都是字典生成的，主要靠引擎完成发音，当然引擎是不肯能公布的，但是也可以人为的录制，这个也可以完成，钢铁侠中的贾维斯就是一款智能AI的识别系统，可以通过不同的音频进行判断，然后回答处理。现在智能AI正在进步，不久的将来就可以通过语音完成一些动作来控制电脑，进入一个先进的智能时代！现在我正在做智能语音系统！相信不久的将来可以完成这个系统！

其实，都是人配的音，录在里面而已。(一针见血，勿喷！)

都可以，像初音就是电脑制作的模拟人声

这可不是什么简单的问题《樱花庄的宠物女孩》里的人工智能光是处理声像就需要一组高性能计算机，情感分析和语言能力，自主逻辑（明显就剧情来看貌似还有欲望驱动系统{自给运算目标）），这块起码保守估计要不下300台蓝色基因而不能保证反应迅速。简单的说这个人工智能属于强人工智能。不仅能过图灵测试，而且几乎等于人类就我们的技术以IBM为例：连这个的一半都不到

这个问题太简单了，你去看看谷歌翻译，上面可以把单词什么的读出来。

晚上和同事聊了会天，感觉精神挺好的，写下这篇文章记录自己的一些思想 目前语音交互被市场炒的火热，大小公司做此类产品的层出不穷，首先我觉得要感谢siri给大家做了这么好的平台建设，其实纵观计算机领域，语音交互这一块是起起伏伏，总是隔几年就会被炒火一次，可是火不了一段时间又消沉了。siri的到来，貌似给大家的感觉是语音时代已经到来了，而且很快会才成为人们的用户行为习惯了。 可是不知道大家有没有真正想过siri？它的优势、技术核心是什么？ 以下是我自己的一些理解：从前台和后台来分析siri，前台分为UI界面以及语音设别。Siri采用Nuance的语音设别和语义合成技术，类似中国的科大讯飞。这个东西需要一批牛人积累多年才能生产出来，什么信号处理、模式识别、概率统计、信息论、数据挖掘、人体听觉机理、人工智能等等计算机、数学、统计学、生物领域nb的技术都得用上，这个没有什么好说的了。后台即为语义识别技术，这一块其实是技术的核心点，我不知道这些技术全是SRI自己研究出来的，还是借鉴了其他搜索类公司的技术。但是不论如何，这一块都是一个核心地方。其实，这一块的技术就是几大搜索类公司的核心技术。一是以google和百度为代表的网页搜索技术，二是以wolfarm alpha为代表的知识计算技术，三是wikipedia为代表的人工知识库技术。网页搜索通过网络机器人获取每个科访问网站的内容，这些数据被分解成一个索引，这样便可以根据内容来查找页面，用户输入一个查询，查找索引找到相关内容的页面，返回的为相关内容的列表；知识计算技术，是将所有可以获得信息建立成一个有组织的数据库，然后再利用算法进行处理，最终构造成类似与google这样的搜索工具。其实说白了就和百度前几年一直鼓吹的框计算一样，只要把东西放到框内，什么东西都可以给你解决。例如你在百度输入天气，它会显示你所在城市的天气情况，而不是以往常的网页形式展现。知识计算技术给出的答案更加精确，更加的唯一性；人工知识库技术，以维基百科为例，它采用词条和主题为单位，利用人工的力量收集知识。因此这样的知识结构化程度高，更加准确并且人性化，可同时它的知识体系会受到限制。Siri结合三项搜索类技术，根据不同的需要，利用相应的技术给出答案。其实网上经常大家说的人工智能、上下文识别、自动学习技术，这些都包含在这三项搜索技术里面了，仔细想想这些搜索是否会记忆人的行为模式、是否会上下文识别语义、是否会人机智能交互。忘了，Siri还有一个技术就是知识推荐技术，类似于大众点评、携程这样的网站，查询好吃的、机票之类的，会给出一个推荐结果。由于国外的很多类似软件api是开放的，所以siri在知识推荐这一块等于利用这些开放的api云服务了。 Siri的优势我个人觉得有两方面，一是语音交互，实现语音控制功能，这是人体本能机理的发展趋势，人类的控制欲很强，肢体控制——>声音控制——>脑电波控制…。二是搜索方式，想想如果用google，你搜索的步骤，在google输入问题——>给出一推结果——>一个个筛选自己需要的结果——>得出答案。而siri只有两步，输入问题——>得到结果。 说了这么一大段技术分析的话，只是为了更好的去思考国内这些智能语音交互产品的未来。据我所知，目前做这一块的有讯飞语点、智能360、快说、口袋语音、我问问、虫洞助手、小i机器人、009、开心熊宝、小唐龙、云助理，还有小米手机自带的语音助手，以及一系列模仿siri的山寨类软件。其中这些产品分为五类，1、讯飞语点、智能360、快说、口袋语音、我问问、虫洞助手 2、小i机器人 3、009、开心熊宝、小唐龙 4、云助理 5、手机集成的语音助手以及山寨siri。 我针对每一类谈一谈自己的看法。第一类首先它的未来是死的，除非有本质性的改革。从技术上来看，目前这些产品采用的语音识别和语义合成技术为讯飞、谷歌、盛大等提供，如果哪天讯飞要按照装机量收费了，而产品却没有盈利，这些产品必然会成为讯飞语点的手下败将，可矛盾的是讯飞根本没有精力去不断优化讯飞语点（从讯飞语点的产品更新过程就可以看出来），毕竟讯飞的主要目的不是在这一块，讯飞语点只是让别人知道讯飞有这么个东西而已。语音技术暂且不谈，就上面说到的siri利用的三种搜索技术，着实会让这些产品望尘莫及。没有一批计算机领域的顶尖专家，在这一块是很难有突破的。因此，这些产品的语义识别根本没法能够得到质的突变，只会随着语料的不断增加而越来越乱。从产品上来看，用户的粘度不够，用户过了新鲜期很有可能会卸载掉。作为一款移动应用，如果没有利用移动、云、社交三个要素，死的可能性极大。 第二类是小i机器人，我很看好这个产品，当然我指的不是手机客户端的那个小i机器人了。小i机器人在语义识别这一块在国内是领先，我不知道小i是不是有很多专家，但是人家多年的经验积累绝对是有很强大的技术背景。小i在产品展现方式上很简单，没有特别的设计和思路，但是小i的市场思路确是特别的清晰。小i机器人应用在微博、移动、政府、银行、运营商等等领域，作为智能机器人的形象来推广。可想而知，小i在语义识别技术上面的技术积累有多雄厚。虽然比不上siri，但是它选择的契机特别好，专注于各行业领域，找准需要智能机器人的机会，从而巧妙的相结合。不仅仅能满足用户需求，还有盈利。可是也有个问题，如果后期等到国内行业应用类的api开放了，再加上百度、谷歌等公司的介入，那么小i还有盈利的空间吗？ 第三类，是娱乐类的智能语音产品。009、开心熊宝、小唐龙，三者类似，以娱乐化的形式展现产品，同时加入语音交互。给用户的印象是，智能宠物。这样的产品如果走线上的话，结果很可能也会死，因为用户的粘度不高。游戏和应用结合起来，导致娱乐性不强，应用性不明显，搞成游戏不游戏、应用不应用的两不像。（但是我想提一下开心熊宝，由于它的用户专注于小朋友，目标用户明确，更加专业化，所以有别于其他两款软件是很有可能会朝好的方向发展的）。可是如果它们走线下的话，有可能会有生存的机会。发展智能宠物，走实体路线。但是这一块的技术门槛也比较高，还得看公司的实力和规划了。 第四类，云助理也是一款有意思的产品。我理解的是它想做成，服务在云端，推送给个人的私人助理软件（不知道他们内部是怎样考虑的）。将语义识别放到云端，给用户展现的只是一个简单的助理形象本体，通过助理的帮忙完成一系列功能。其实它的私人助理思路和009的狗、开心熊宝的小熊，小唐龙的中国龙是差不多的，这一点并不新颖。我比较看重的是它提到的云服务概念。目前，他们肯定做不到构建语义识别云，但是有这个理念是好的。如果真正能构成语义识别云，再将各行业api集成在一起，那么无论什么终端载体都可以接受这些信息，那样必然是未来的一个趋势。只是，我担心的是这样的工程好像不是一家小公司或者说几家公司可以做出来的。 第五类，不说了，大家都懂的。 其实每家公司都不好做，但是每家公司都觉得很有机会，这就是魅力所在。 我觉得首先得找准一个方向，专注一个点，做一些自己能做的事情，别老想着那么大的宏伟蓝图，那些留给NB的公司去干吧。小i、开心熊宝就是很好的榜样。发挥自己的优势，找到差异化，然后一头扎进去，做到专业，只有先生存下去才有发展的机会。哎，写的真累。自己的知识有限，分析的很浅薄。望读者见谅。

机器人语音、语音识别等的智能化系统，这种系统能够主动或被动发声或听声音 本回答被提问者采纳

小蓝鸽人工智能语音系统是一款 “语音识别+语义识别+人机交互+大数据分析” 的AI机器人。它是适用于产品业务或服务推广需求的语音营销服务平台。

人工智能语音系统，可以让人们与机器自由对话，例如现在中国的科大讯飞语音。已经运用到各方面领域了：教育、企业、服务等。智能语音是智能机器人很重要的一大部分，因为智能语音，它可以替代很多人工语音的工作，例如智能语音电话，可以自动打电话给客户，这对企业发展产生很大的驱动力。

是人工智能语音机器人的核心

我是做人工智能语音交互的，从业两年了，我们做的是针对各大电销行业，以我的认知语音交互技术已经比较成熟了。中国将人工智能语音交互（AI）上升为国家战略，要在2030年达到世界领先水平。自2017年7月国务院发布《新一代人工智能发展规划》以来，各级政府也正在大力推行政策。当前，以人工智能为代表的新技术的发展，成为新一轮科技革命的重要驱动力，为电销行业提供了强有力的支撑。AI技术正在逐步改变社会生活,受到越来越广泛的关注,虽然AI技术尚未实现大规模商用,但电销机器人的出现,就是其落地的第一个项目。 本回答被提问者和网友采纳

即使是最自然的电脑声音 - 无论是苹果的Siri还是亚马逊的Alexa - 听起来都像电脑。位于蒙特利尔的初创公司Lyrebird希望通过分析语音记录和相应的文本记录以及识别它们之间的关系，通过人为智能系统来学习模仿人的声音。上周推出的Lyrebird的语音合成可以每秒生成数千个句子 - 比现有方法快得多 - 并且模仿任何语音，这是一个进步，提出了有关如何使用和滥用技术的道德对于将文本转换为口头语言的计算机程序来说，生成自然语音的语音的能力一直是一个核心挑战。Siri，Alexa，Microsoft的Cortana和Google Assistant等人工智能（AI）个人助理都使用文本转语音软件来为用户创建更便利的界面。这些系统通过将来自预先录制的一种特定语音文件的单词和短语拼凑在一起工作。切换到不同的语音 - 比如像一个人的Alexa声音 - 需要一个新的音频文件，其中包含设备可能需要与用户进行通信所需的每个可能的词。Lyrebird的系统可以通过聆听几小时的语音来学习任何声音中的人物，音素和单词的发音。从那里它可以推断生成全新的句子，甚至添加不同的语调和情绪。Lyrebird的方法的关键是人工神经网络 - 它使用旨在帮助它们像人脑一样运作的算法 - 依靠深度学习技术将声音的一部分转换为语音。神经网络通过加强分层神经元单元之间的连接来接收数据并学习模式。

这个潮流的最近一次上演，是几天前的百度AI开发者大会上，李彦宏现场播放了百度AI客服邀请开发者的真实电话录音。当时我就在现场，第一通电话里那位开发者方言比较重，到底说了什么我基本没听懂。但百度的AI却应对自如，在电话中回答了各种问题。第二通电话更神了，那位女开发者发现了小度的AI身份，直接问百度给ta发钱吗，结果被小度用一句“百度给我免费充电”，巧妙的“回撩”了过去。在众人的惊叹中，我们很容易发现让AI打电话已经成为了“兵家必争”之地。前不久谷歌I/O大会上Google Assistant演示AI打电话订餐厅，一句“嗯哼”也安排得明明白白。几天之后微软的AI大会上马上反击，不仅上演电话秀，还高调Diss谷歌，表示微软小冰已经打过60多万次电话了。打电话这件事就这么重要吗？引三大AI巨头都不惜电话费也要硬杠一下？事实上，在这个AI跟陌生人直接进行有效沟通的场景里，隐藏着两个AI语音与NLP技术的核心关卡，足够给今天AI公司的军备竞赛提供完美肌肉秀。而AI打电话同时也指向另一个问题：AI到底能干什么，是不是在很多领域已经可以完全代替真实的产业劳动？打个call的功夫，这些复杂的竞争与技术炫技就都显露了出来。一颦一笑都有来历：为什么已经听不出AI还是真人？AI打电话第一关：怎么让AI声音听起来不别扭？我们知道，人和人之间的交流，其实绝大部分依靠的是简单的词汇量+大量复杂的情感词、语气词、助动词。如果我们把日常说话直接转化为文字，会发现文档里80%的话都是“无效信息”。但怎么让AI学会这些东西，像真人一样有感情、有顿挫，有语气词，甚至有呼吸节奏地与人交流，是一门巨大的技术挑战。百度AI开发者大会前，百度AI客服给大量开发者打了电话，其中很多开发者一开始压根没有发现这是位AI小姐姐。而这其实是建立在它没有刻意修饰机器音的基础上。如何让AI听起来像人一样，这需要在语音合成与语序修饰上下一番功夫。而这也是各家展现本领的时刻。根据资料，谷歌I/O大会上的打电话AI，使用了生成式 TTS 引擎。能根据不同的情境控制语音的语调，并生成一些语气词。当然，这背后还有DeepMind的WaveNet自然语音合成算法作法

ai技术应该这也说现在国家富强，社会先进，科技时代有很多科学家研究各种稀奇古怪的产品，你可以用来配音或者模拟声音，辨认声线，所以技术背后都有它的应用

当时我就在现场，第一通电话里那位开发者方言比较重，到底说了什么我基本没听懂。但百度的AI却应对自如，在电话中回答了各种问题。

这个可以的

目前大家可以想象到，最方便最强大的交互方式可能就是一时的交互，比如说脑电波。但这个东西实在是遥遥无期，人类目前的科学对大脑基本上是一无所知。除此之外，最便捷的与机器交互的方式就是语音了啊，你想想？语音的交流有很多的优势，首先它非常的快速，非常的自然，另外它的表达的内容十分的丰富，甚至还涉及到细微的情感区分，而其他的比如按键交互，比如文字的交互这些都不是一个理想的交互方式，这就是为什么语音控制成为了首选。 本回答由网友推荐

人工智能（Artificial Intelligence），英文缩写为AI。它是研究、开发用于模拟、延伸和扩展人的智能的理论、方法、技术及应用系统的一门新的技术科学。 人工智能是计算机科学的一个分支，它企图了解智能的实质，并生产出一种新的能以人类智能相似的方式做出反应的智能机器，该领域的研究包括机器人、语言识别、图像识别、自然语言处理和专家系统等。虚拟现实技术是仿真技术的一个重要方向是仿真技术与计算机图形学人机接口技术多媒体技术传感技术网络技术等多种技术的集合是一门富有挑战性的交叉技术前沿学科和研究领域。虚拟现实技术(VR)丰要包括模拟环境、感知、自然技能和传感设各等方面。模拟环境是由计算机生成的、实时动态的三维立体逼真图像。感知是指理想的VR应该具有一切人所具有的感知。除计算机图形技术所生成的视觉感知外，还有听觉、触觉、力觉、运动等感知，甚至还包括嗅觉和味觉等，也称为多感知。自然技能是指人的头部转动，眼睛、手势、或其他人体行为动作，由计算机来处理与参与者的动作相适应的数据，并对用户的输入作出实时响应，并分别反馈到用户的五官。传感设备是指三维交互设备。语音识别技术，也被称为自动语音识别Automatic Speech Recognition，(ASR)，其目标是将人类的语音中的词汇内容转换为计算机可读的输入，例如按键、二进制编码或者字符序列。与说话人识别及说话人确认不同，后者尝试识别或确认发出语音的说话人而非其中所包含的词汇内容。语音识别技术的应用包括语音拨号、语音导航、室内设备控制、语音文档检索、简单的听写数据录入等。语音识别技术与其他自然语言处理技术如机器翻译及语音合成技术相结合，可以构建出更加复杂的应用，例如语音到语音的翻译。语音识别技术所涉及的领域包括：信号处理、模式识别、概率论和信息论、发声机理和听觉机理、人工智能等等。