在人類的感官通道中，視覺占據(jù)最主要的位置，聽覺次之，但在信息傳遞中，聽覺語言的綜合利用率要遠(yuǎn)高于視覺符號。因此，更接近于人類本能的交互方式--語音交互受到廣泛關(guān)注。目前，隨著智能語音技術(shù)的發(fā)展和應(yīng)用場景的不斷豐富，人機(jī)交互方式已經(jīng)開始從鍵盤、鼠標(biāo)以及觸摸式的圖形交互，向語音模式轉(zhuǎn)變，并且隨著搭載量和使用率的提升，未來有望成為人機(jī)交互最主要的入口。

智能語音包含語音識別、語義理解、自然語言生成以及語音合成等環(huán)節(jié)。其中，語音識別是率先商業(yè)化、應(yīng)用最成熟的人工智能技術(shù)之一。根據(jù)信通院數(shù)據(jù)，全球智能語音識別錯誤率連續(xù)降低，從2008年的23.6%降低到2017年的5.5%。

與此同時，國內(nèi)廠商也在不斷刷新準(zhǔn)確率的上限。2018年6月，阿里巴巴推出語音識別模型DFSMN，準(zhǔn)確率高達(dá)96.04%；科大訊飛也在同期宣布訊飛語音識別率提升至98%；2017年11月，百度大腦推出新款語音識別模型--“基于復(fù)數(shù)CNN網(wǎng)絡(luò)的語音增強(qiáng)和聲學(xué)建模一體化的端到端語音識別模型”，打破了傳統(tǒng)遠(yuǎn)場語音識別技術(shù)的流程，將語音識別準(zhǔn)確率提高30%以上。

此外，大數(shù)據(jù)、深度學(xué)習(xí)、云計算等技術(shù)的迅速發(fā)展，也為智能語音提供了底層技術(shù)支持。

在國家大力發(fā)展人工智能產(chǎn)業(yè)的戰(zhàn)略引導(dǎo)下，以及企業(yè)技術(shù)能力提升和市場需求不斷擴(kuò)張的驅(qū)動下，智能語音技術(shù)在智能家居、車載環(huán)境、在線教育、醫(yī)療、呼叫中心等各個場景均有落地化應(yīng)用。據(jù)中國電子信息產(chǎn)業(yè)發(fā)展研究院預(yù)測，未來三年智能語音市場將保持25%以上的增速，到2021年預(yù)計達(dá)到194.8億元。

例如，在智能家居方面，語音聲控的應(yīng)用增強(qiáng)了終端設(shè)備控制家居的簡便性、易用性、互動性和娛樂性。目前，眾多參與者以智能音箱作為智能家居語音交互的切入口。例如接入阿里智能家居平臺的天貓精靈、提供智能家居控制入口的小度音箱、連接小米智能家居生態(tài)的小愛智能音箱等等。

再如，在智能車載方面，從安全因素考慮，車載智能語音應(yīng)用將是未來市場的剛需場景，如媒體娛樂、行車導(dǎo)航、信息查詢、即時通訊等等。2016年11月，科大訊飛發(fā)布智能車載系統(tǒng)飛魚助理，并于2017年11月發(fā)布2.0版本，該系統(tǒng)通過對語音引擎、生態(tài)引擎、云+端服務(wù)進(jìn)行深度整合，并賦予智能人機(jī)交互方式，來為用戶提供人臉識別、AI虛擬助手、聲源定位、非全時免喚醒+上下文理解、自定義喚醒詞、XTTS等功能。

另外，在隨身設(shè)備方面，隨著設(shè)備功能的多元化，人們迫切需求擺脫傳統(tǒng)輸入設(shè)備的束縛，以智能手機(jī)為例，有關(guān)數(shù)據(jù)顯示，到2023年智能手機(jī)配備語音交互功能的比例將達(dá)到90%以上。并且據(jù)IDC預(yù)測，到2020年隨身設(shè)備的智能語音滲透率將達(dá)到68%。可見，智能語音擁有豐富的應(yīng)用場景，滲透率也會不斷提高。

圖：2020年智能語音滲透率預(yù)測

數(shù)據(jù)來源：IDC

智能語音市場參與者主要為科技巨頭及傳統(tǒng)智能語音企業(yè)，行業(yè)集中度較高。科技巨頭在語音行業(yè)的布局多為對外開放語音生態(tài)系統(tǒng)，對內(nèi)則在自身產(chǎn)品中實現(xiàn)AI First。例如，百度Dueros開放平臺、阿里AliGenie開發(fā)者平臺、騰訊的智能語音平臺騰訊云小微等等。傳統(tǒng)智能語音企業(yè)已在語音行業(yè)深耕多年，1999年成立的科大訊飛市場占有率已然位列第一，除了面向教育、司法、醫(yī)療、城市等領(lǐng)域推出智能語音解決方案以外，還向硬件方面拓展，推出了翻譯機(jī)、學(xué)習(xí)機(jī)、錄音筆等相關(guān)產(chǎn)品。

此外，科技巨頭和傳統(tǒng)智能語音企業(yè)出于構(gòu)建生態(tài)、積累數(shù)據(jù)等方面的考慮，大都提供開放平臺，而初創(chuàng)企業(yè)則可以借此發(fā)揮后發(fā)優(yōu)勢。雖然頭部企業(yè)已經(jīng)處于絕對優(yōu)勢，但隨著應(yīng)用場景的豐富，行業(yè)機(jī)會仍不斷涌現(xiàn)，智能語音初創(chuàng)企業(yè)也吸引了資本市場的關(guān)注。據(jù)<華秋創(chuàng)服>不完全統(tǒng)計，2000-2019年，共有55家智能語音方案企業(yè)獲得融資，共計157筆，平均成立1.7年后獲得第一筆融資，獲投企業(yè)主要分布在北京、廣東、上海等地；從時間分布來看，2015年開始進(jìn)入融資高峰期，2019年有所下降，一定程度上反映了智能語音企業(yè)的創(chuàng)業(yè)熱潮正逐漸趨于理性，市場也越來越重視企業(yè)的核心技術(shù)和落地能力。

圖：2000-2019年智能語音方案企業(yè)獲投筆數(shù)

數(shù)據(jù)來源：華秋創(chuàng)服

圖：2000-2019年獲投智能語音方案企業(yè)地區(qū)分布

數(shù)據(jù)來源：華秋創(chuàng)服

IDC數(shù)據(jù)顯示，智能語音在我國人工智能市場中的份額占有22%的比重。場景應(yīng)用的普遍化，促使整個行業(yè)開始從發(fā)展初期向成熟期邁進(jìn)。雖然科大訊飛、百度等占據(jù)了市場近七成的份額，但是，隨著應(yīng)用場景的拓寬，整個市場規(guī)模仍會不斷擴(kuò)大。

不可否認(rèn)的是，雖然智能語音技術(shù)飛速發(fā)展，但在實際應(yīng)用環(huán)境中，語音信號往往伴隨著環(huán)境噪聲和混響，使得語音識別的性能急劇下降。例如，訊飛中英文語音識別準(zhǔn)確率分別達(dá)到98%和95%，但在有方言、噪音、口音和遠(yuǎn)場情況下，提高語音識別準(zhǔn)確率仍有較大的提升空間。再如機(jī)器翻譯，雖然實時高效，但距離會議同傳以及高水平翻譯所講究的“信、達(dá)、雅”仍存在較大差距。可見，雖然語音識別等某一技術(shù)環(huán)節(jié)已經(jīng)取得較大發(fā)展，但面對應(yīng)用場景的復(fù)雜性，智能語音技術(shù)仍有待突破。