你家的智能家电,真的需要能说会道吗?

你家的智能家电,真的需要能说会道吗?

　　离线语音方案优势在于实时和成本

　　离线语音方案，顾名思义就是语音识别处理在本地，并不需要上传到云端去处理。“以控制空调为例，我们先将‘请开空调’、‘调高一度’等命令词经过算法训练和模型匹配后固化在本地存储中，当进行语音控制时不需要联网，在本地存储直接调用。”邱松晓说到，“相比在线方式，离线的方式确实有局限，这类方案更多属于控制型的，不是交互型;而且由于本地的存储空间有限，不像在线方案是通过云端处理，所以命令词确实会比在线的少，一般命令词条在几十条左右。”

　　集成了离线语音模块的设备可以通过语音来控制执行一系列的操作指令，不过只是不能像智能音箱一般进行查询天气、新闻、讲故事、对话等交互。在智能音箱等在线语音方案如此火爆的情况下，木瓜电子同时也选择了做离线方案，除了考虑到前面提到的在线方案的不足外，其实更多是市场真正需求的使然。

　　一方面，包括亚马逊、京东、阿里、腾讯等都推出了智能音箱，用智能音箱控制和连接家电，希望想通过此类产品抢占智能家居入口;另一方面，各大家电巨头也纷纷布局自己的智慧家庭生态，加入语音交互、AI等功能。无论是何种方式，智能家居要落地可能还需要一段较长时间，因为这其中涉及到一整个云端平台和生态的打造，由某一家公司掌控或打通可能还是比较难的。“这样我们是否就不能享受像智能家居中语音控制家电的便利呢?，其实家庭中很多设备，包括空调、窗帘、烧水壶、晾衣架、台灯等等，并不一定需要语音交互，我们只是需要去简化他们的控制方式，例如用语音控制来替代遥控方式，赋予一款产品具备被语音控制的能力，从而更高效解决用户需求。”邱松晓表示。

　　对于这些仅仅需要语音控制而不需要交互的设备，用离线的方案或许更为合适。首先，离线智能语音交互模块由于没有了网络传输的时间损耗，语音交互的实时性更高，据了解识别过程只需要200ms，命令发出马上可以做出反应，基本感觉不到延迟，用户体验好;其次因为无需配网，离线智能语音交互模块具备用户开机即用的属性，无需教育用户。同时不存在网络异常的意外情况，使用友好度非常高。再者，成本更低，与在线方案十几美金的成本相比，离线的方案只需几美金;而且，离线方案的目标市场更多是单品，不涉及云端网络或数据安全问题，产出会快很多。

　　通过不断模型训练和测试，离线方案识别率可达95%

　　不过离线语音往往被认为是相对在线语音识别定位更为低端的应用，但是在技术上做到“离线语音识别”其实并不简单。“我们常常说‘台上一分钟，台下十年功’，对离线识别来说，也正正是这样。在将声音送入到设备之前，同样也需要做语音的远场拾音、降噪、回声消除等处理，将处理干净的声音就会和本地的模型进行匹配，如果匹配就执行动作。整个过程看似简单，但是在命令词的模型建立也需要花费不少功夫。” 上海互问信息科技有限公司华南区销售总监孔令亚说到，“离线的方案需要给每一个命令词建立一个匹配模型，每一个词会录入至少800个左右的样本，样本经过不停的训练、模型匹配和测试，只有通过测试这个模型才定下来，放到内存中。外界发出一条指令，就会和本地的模型进行匹配，如果匹配才能执行动作。目前我们可以做到200多条命令词，不过一般应用场景在十几天到几十条就已经足够了。”

　　此外，离线方案在一些指令或词条的识别率甚至可做到比在线的高，例如互问信息离线语音控制模块在家居环境下达到了95%识别率、2次/天的误触发。孔令亚解释道，因为从样本和训练的数据量来看，建立模型的出发点就不一样。离线的每一个词条是专门花和时间去优化。而在线的不会去这么做，中国的语言量这么丰富，方言这么多，这个工作量就非常大。例如‘请开门’这个指令/词条，在线的方案不会专门去建立这样的一个指令样本和模型去进行训练匹配，因为工作量太大难以实现。。所以在线的语音识别是针对字或句，而不是词条，如果说一个‘打’字，在线方案可能很快可以识别，但是如果说‘打开门’，语速快些或带有情感，因为没有这个词条的大量样本训练，很有可能就会误判或识别慢。。

　　“为达到95%识别率、2次/天的误触发，我们要求每个语音命令词都有800人左右的样本，在声音训练过程中，不断调整命令词的语音模型，这些训练样本中也包含了多个地方性的普通话，如广东地区、湖南地区、河南地区、北京地区等普通话。”他说到，“我们生成一个命令词的时间需要6周左右的时间，前4周时间样本采集和训练，后两周时稳定性测试。互问提供的语音命令词，在国内使用几乎是没有存在太多问题，95%的识别率也是目前比较高的参数了。”