阿里语音AI“被集成+自学习”双轮驱动

对智能音箱说“唱首歌”，一首欢快的歌会播放；对地图App说“去虹桥机场”，关于行程的路径规划会出现......

日常生活中这些新兴的应用场景，都离不开语音AI技术。

7月14日，第三方研究机构IDC公布《中国AI云服务市场半年度研究报告，2019H2》，报告显示，阿里语音AI在市场上占据主导地位，阿里语音AI在智能语音、对话式AI两个领域市场份额均为第一，市占率分别为44%和57%。

阿里云达摩院语音实验室负责人鄢志杰对第一财经记者记者总结道，阿里语音AI这几年迅速崛起，离不开两个关键词：“被集成”+“自学习”。

传统语音厂商一般做的是端到端的场景智能化，场景相对单一。以政务领域典型的庭审场景为例，语音厂商的主要任务是把整个庭审的过程转换成文字，变得结构化，然而非AI的成分在这个场景里也有很多，比如需要做法官办案系统、卷宗管理系统、开庭时屏幕展示内容的应用系统等，这一部分会分散语音厂商大量的精力。

与“自产自销”的传统语音厂商相比，阿里采用了“被集成”模式。“被集成是我们在实践中摸索出来的，指我们不去过多做非AI的内容，比如在司法领域，我们同华宇、云嘉等行业内拥有深厚积累的头部集成商合作，然后做出一套综合的法院应用系统。”鄢志杰表示。

阿里云语音的另一个特点是“自学习”。阿里云探索出来的模式是，先做出行业通用模型（比如金融、政务、手机），加上细分行业里边的数据和知识，可以迅速做出一个领域的定制化模型。

鄢志杰表示，每个行业都有资深的实践者，他们常年深耕一个领域，拥有大量的知识、数据和经验的积累，阿里云不可能快速掌握，如果所有事情都由阿里云完成，阿里云会变成实践中的“瓶颈”。因此，在语音技术落地的过程中，阿里云转变思路，升级推出“自学习”产品，即便行业实践者没有很多语音领域的专业知识，也能够用阿里云自学习的产品，通过灌注入行业内的数据和知识，就能够获得所在行业不错的语音交互效果。

“我们的颗粒度会选择到领域通用模型，加上自学习，这就是我们的边界。”鄢志杰举例称，一家银行可以先把金融领域模型拷贝过来，客户利用自学习灌一些自己的数据进去，一键训练、一键部署，这就是专门为该银行定制的金融模型。

机器需要不断训练才能提高语音交互的准确率，针对语音AI部署在何处这一行业热点话题，鄢志杰表示：“具体是由客户来发起训练的，（训练计算）跑的软件是阿里云整套的软件，如果在公共云上，硬件是在阿里云上跑的；如果在专有云，可以部署到专有云的机器里边去跑。训练出来的模型也是属于客户自己的。”

截至目前，阿里云拥有5万多家语音客户，包括中移动、中央电视台、招商银行、字节跳动、小I机器人、天猫精灵等，这些客户已通过阿里云自主开发了3万多个语音模型。

第一财经记者了解到，阿里巴巴对语音AI的研发始于iDST（阿里达摩院前身），大致可以分为两个阶段：第一个阶段从2014年底开始，当时主要响应阿里经济体内部对语音AI的巨大需求，比如淘宝、天猫、蚂蚁的客服呼叫中心开始做语音智能化改造；第二个阶段从2017开始，阿里以AI上云的方式对外输出智能语音能力，达摩院内部当时的口号叫“技术零时差上云”，即阿里所有好的AI技术都会在最短时间内通过云的方式，提供给阿里云上所有的客户，而非阿里内部专享。

关于语音技术的准确率是否到了能大规模应用的阶段，IDC分析师卢言霞告诉第一财经记者：“这主要取决于应用的场景。比如智能家居，训练的语音库相对比较简单，95%的准确率用户可能就能接受，但在工业级制造环境中，要求非常高，否则可能导致安全事故，准确率至少要98%以上。”

卢言霞认为，语音AI领域市场前景广阔，还有很多技术有待突破，比如嘈杂环境的语音交互，同时也有很多场景有待落地，除了庭审、客厅、呼叫中心、消费级产品等场景外，语音AI还会在会议服务、医疗诊疗记录转文字、泛工业等领域陆续落地。