搜狗的語音交互引擎「知音」技術水平如何？

搜狗發布語音交互引擎「知音」 支持實時糾錯_DoNews-互聯網

「據搜狗語音交互技術中心負責人王硯峰介紹，搜狗語音交互引擎「知音」具有四大功能：一、基於端到端技術的語音識別能力；二、利用自然語言交互的語音糾錯能力；三、基於知識圖譜技術的行業知識整合能力；四、基於多輪對話技術的複雜語義理解能力。

在語音識別方面，「知音」引擎的語音識別速度提升3倍，錯誤率相對下降30%以上。搜狗CTO楊洪濤現場演示了搜狗語音交互引擎「知音」」，一邊發表演講，現場的大屏幕一遍用文字顯示出演講內容，從現場可以看到，語音識別速度很快，識別程度很高，效果非常驚艷。

在語音糾錯方面，據悉，搜狗的「知音」的語音糾錯有3萬多的詞庫，修改的準確率達到80%。實現了完全不依靠雙手通過自然語音對文字進行修改，極大體現出語音的便利性。例如，用戶可以說把「張」改為立早「章」。

此外，搜狗語音交互引擎「知音」支持多輪對話，比如用戶說我要去首都機場，搜狗語音交互引擎「知音」會問是T1航站樓還是T2航站樓，當航站樓確定後，還問詢問是出發還是接人。搜狗語音交互技術中心負責人王硯峰認為，多輪對話的人機交互技術更加自然，用戶更容易理解和接受，從而提供更加人性化的服務。

搜狗方面的數據顯示，搜狗搜索日均語音搜索次數增長超過4倍，搜狗手機輸入法日均語音輸入超過14億次，目前是國內語音輸入功能使用量最大的移動產品。搜狗方面還表示，在語音輸入上的準確性上，與科大訊飛大致持平，但領先百度。」

這些技術難度如何？真的領先百度能做到與訊飛持平嗎？

1. 基於端到端技術的語音識別能力：「知音」引擎的語音識別速度提升3倍，錯誤率相對下降30%以上
1. 單就語音識別來看，根據最新的關於LSTM等論文顯示，LSTM一般比DNN相對提升10%左右，端到端的能力，如 LSTM-CTC 架構，百度 早就開放了源代碼，也就是說這個技術，一般語音公司都會實現，每家公司都會有自己的一套tricks，不過聽說大多都是來源於Google的研究;錯誤率相對下降30%，這個不敢恭維，速度提升3倍，不知是怎麼比較的，是FPGA與GPU對比嗎？
2. 利用自然語言交互的語音糾錯能力
1. 用戶可以說把「張」改為立早「章」，這個一聽就知道用戶體驗肯定做不上去，因為你需要把所有的badcase收集起來，並且把用戶可能的糾錯說話都覆蓋到，這個可能嗎？
3. 基於知識圖譜技術的行業知識整合能力
1. 這個知識圖譜，據我所知大部分基於RDF搞的，如百度的知心，搜狗的知立方，還有國外的WordNet, Freebase，NELL等，效果一直比較雞肋。以前我知道一個部門搞知識圖譜，可是最後因為沒有找到適合的業務結合點，或是效果不好，很多靠人工，最後被砍掉了。
4. 基於多輪對話技術的複雜語義理解能力。

1. 語義理解，我一直悲觀的認為，在100年以內，機器都沒法像人一樣理解人說的話那麼容易，目前很多種技術的出現，都是解決某某特定領域，或特定場合的問題，根本解決不了隨意說的那種！因為人與人對話的規律太難尋覓了，太難以用模型來精確模擬！
5. 搜狗搜索日均語音搜索次數增長超過4倍，搜狗手機輸入法日均語音輸入超過14億次，目前是國內語音輸入功能使用量最大的移動產品。搜狗方面還表示，在語音輸入上的準確性上，與科大訊飛大致持平，但領先百度。

1. 這點僅僅聽聽而已吧

試了一下 tfboys和巴啦啦小魔仙全識別錯了。基本上可以gg了。

又試了一些典型case，用戶體驗真的差十萬八千里了