南都讯 记者陈志芳 朱芳圆 12月21日，极客公园立异大会十周年在北京举办未来趋势论坛。搜狗CEO王小川在会上说，语音辨认技能处理难点有语义了解、智能降噪、语音组成等。
王小川现场展示了一段评论视频和语音转化界面，视频显现有多名评论者、讲话搀杂了中英文、掌声和笑声等语音辨认难点。王小川说，其间，语音转化需求完成差异不同人声的人声别离，供给掌声、笑声等其他声响的辨认来协助观众了解内容，一起处理中英文搀杂的难题。
在上述的辨认难题背面，还有其他的技能难点，如在喧闹环境中怎么让人和机器听得更清楚？王小川说，传统的降噪处理经过麦克风矩阵来处理，核算多个麦克风的中心数值和信号处理，现在的降噪处理则可经过人工智能方法来学习4万余种实在噪音，参加新的降噪算法，使机器有才能去分辩各种噪音并智能降噪。
别的，语音组成也是未来AI语音辨认的开展趋势。王小川说，现在根底的语音组成现已较为遍及，如语音组成林志玲、高晓松的声响，但在长篇讲演、音频付费节目等使用中，怎么让语音组成脱离机械播报，成为有情感的扮演是一个难题。
讲演者与转述师的声响交融。主办方供图。
对此，AI经过提取声响特征、增加“声响皮肤”的方法来处理，王小川举例说，这需求一名担任读出讲演者文章的转述师，AI能提取讲演者的声响特征和转述师的声响心情，两者的结合就相当于给讲演者的声响披上了“声响皮肤”，变成有心情的声响。王小川现场演示了用蜡笔小新、高晓松、东北大姐的声响说出了“假设日子欺骗了你，不要诉苦，抱我”。
王小川介绍，搜狗也在从语音变声走向视频组成，比方AI组成主播。在这方面，现在完成的作用有语音唇动同步生成、展示较为丰厚的表情、多言语多场景播报、对话才能等，搜狗也推出了第六代兼顾技能——央视的天气预报主播，能展示“主播”大视点、大幅度的组成动作画面。
AI组成主播。主办方供图。
王小川以为，未来言语AI的开展趋势是“天然交互+常识核算”，天然交互需求运用语音、图画、视觉等技能，使人与机器能经过语音、图画、手势进行沟通，别的，言语AI更难的当地在于常识核算，需求完成翻译、问答、对话等才能，天然交互和常识核算的结合最终将开展成“智能助理”，苹果的Siri便是其间一例。