科技日報記者 吳長鋒

想足不出戶游覽祖國大好河山？與表情豐富、情感細膩的虛擬人對話，無需穿戴設(shè)備就能開啟一場身臨其境的沉浸式“云旅游”。

(相關(guān)資料圖)

這個AI能力“硬核”的虛擬導(dǎo)游，集成了“訊飛超腦2030計劃” 的多模感知、多維表達、深度理解等多項前沿技術(shù)，讓真人和虛擬人可以非常自然地“穿越”不同場景對話，給人機交互帶來全新的沉浸式體驗。

11月18日，2022科大訊飛全球1024開發(fā)者節(jié)正式啟幕，在發(fā)布會上，科大訊飛AI研究院副院長高建清以“AI新紀元，訊飛超腦2030”為主題，詳解“訊飛超腦2030計劃”階段性技術(shù)突破，一大波“預(yù)演未來”的創(chuàng)新應(yīng)用將走入生活。

2022年科大訊飛正式發(fā)布“訊飛超腦2030計劃”，要讓人工智能“懂知識、善學(xué)習(xí)、能進化”，讓機器人走進每一個家庭，讓機器遠不止具備“你問我答”的基礎(chǔ)智能，還擁有更強的交互、運動能力，以解決未來社會重大剛需命題。

高建清表示，實施“訊飛超腦2030計劃”，要突破人工智能共性基礎(chǔ)算法，攻克多模態(tài)感知、多維表達、認知智能、運動智能等核心技術(shù)，也要研究軟硬一體的機器人關(guān)鍵技術(shù)。此外，要探索虛擬人交互、機器人等方面的示范應(yīng)用。

“AI超腦”更懂知識

“支撐‘訊飛超腦2030計劃’的發(fā)展，有兩個關(guān)鍵算法亟待突破，無監(jiān)督學(xué)習(xí)和知識推理。”高建清說，前者要實現(xiàn)實用化、場景化的預(yù)訓(xùn)練技術(shù)，后者要構(gòu)建基于知識檢索、決策以及融合的推理系統(tǒng)。

科大訊飛設(shè)計了基于無監(jiān)督學(xué)習(xí)的預(yù)訓(xùn)練框架，并創(chuàng)新使用了少量有監(jiān)督數(shù)據(jù)進行優(yōu)化，大幅提升訓(xùn)練效率。高建清說，“預(yù)訓(xùn)練模型支持語音識別、聲紋識別、情感識別、多模態(tài)語音識別等多個任務(wù)，參數(shù)量遠遠少于業(yè)界公開的模型，但效果卻達到了業(yè)界最優(yōu)。”

以回答“面包在低溫下會馬上發(fā)霉嗎”為例，機器要理解“低溫變質(zhì)慢”等常識，在引入海量知識的基礎(chǔ)上，要用預(yù)訓(xùn)練模型進行知識重要性排序，也要融合知識與問題進行推理，才能與人暢聊“面包變質(zhì)的二三事”。

科大訊飛還探索將神經(jīng)網(wǎng)絡(luò)與符號推理相結(jié)合，實現(xiàn)了推理過程的可解釋性。應(yīng)用于小學(xué)平面幾何題上，這個推理系統(tǒng)讓AI答題的正確率從完全不可用，提升到了90%的水平，顯著優(yōu)于傳統(tǒng)推理系統(tǒng)。

“唇形+語音”多模態(tài)感知

環(huán)境太吵、人聲太多，語音交互怎么辦？在“訊飛超腦2030計劃”中，“唇形+語音”的多模態(tài)語音增強技術(shù)，喚醒智能語音交互新模式。

“機器想更自然地與人類進行交互，需要通過聽覺、視覺、語義以及各種傳感器的組合去獲取更多的有用信息，AI感知方式必然要從單模態(tài)發(fā)展到多模態(tài)，逐步擬人化。”高建清表示。

一個典型的場景是，當你在嘈雜的環(huán)境中通話，旁邊其他人也在說話，搭載了多模感知技術(shù)的應(yīng)用系統(tǒng)只“聽”到你的聲音，不受旁邊嘈雜音干擾，從而非常順利地完成溝通。“這一方案，從用戶主觀理解度層面有了極大改善，是真正站在用戶體驗的角度優(yōu)化系統(tǒng)的一種方法”，高建清表示，這個算法主要解決“語音識別準確率高，但用戶體驗不好”的現(xiàn)實問題。

虛擬人有溫度有個性

如何讓機器的聲音媲美人類？高建清分享了科大訊飛在語音合成技術(shù)領(lǐng)域的新突破——多風格多情感合成系統(tǒng)SMART-TTS，語音合成從簡單的信息播報“變身”具備喜怒哀樂情感的語音助手。

高建清介紹，SMART-TTS系統(tǒng)可提供“高興、抱歉、撒嬌、嚴肅、悲傷、困惑、害怕、鼓勵、生氣、安慰、寵溺”等11種情感，每種情感有20檔強弱度不同的調(diào)節(jié)能力；也能提供聲音的創(chuàng)造能力，如停頓、重音、語速等，可以根據(jù)自己喜好調(diào)節(jié)，真正實現(xiàn)了合成系統(tǒng)媲美具備個性化特點的真人表達能力。

當你漫步林蔭路，TA可以用字正腔圓的“播音腔”為你讀新聞；當你結(jié)束一天工作準備入睡，TA可以輕聲細語讀為你散文；當你驅(qū)車去公司上班，TA可以用你最喜歡的歌手聲音告訴你走哪條路不堵車；當你和家人一起觀看紀錄片，TA可以為紀錄片不同人物配音，人機交互表達自然、情感飽滿。

目前，訊飛有聲APP和訊飛開放平臺都開放了SMART-TTS語音合成系統(tǒng)，開發(fā)者可以在訊飛有聲直接下載體驗，或在開放平臺進行調(diào)用。高建清透露，訊飛開放平臺將開放500個虛擬合成的聲音。

用AI解決社會剛需命題

基于多模態(tài)交互，以及醫(yī)療認知技術(shù)， 訊飛研發(fā)了一套抑郁癥定量篩查系統(tǒng)。“可模擬心理醫(yī)生的問診思路進行交互設(shè)計，用戶通過與機器聊天的方式即可初步實現(xiàn)病情的定量評估，篩查效果達到91.2%。”

據(jù)悉，這一系統(tǒng)已經(jīng)在北京安定醫(yī)院等醫(yī)療機構(gòu)進行了試點應(yīng)用。“未來，基于定量篩查基礎(chǔ)能力，我們將研發(fā)抑郁癥篩查平臺，向更多的學(xué)校推廣，助力青少年的心理成長。”高建清表示。

作為“訊飛超腦2030計劃”的階段性成果，今年訊飛打造了多款專業(yè)虛擬人，分別用于客服、助理、招聘、財務(wù)、法務(wù)等行業(yè)的工作，目前已為金融、電信、媒體等多行業(yè)提供專業(yè)虛擬人解決方案，為“數(shù)字經(jīng)濟”服務(wù)。

（科大訊飛供圖）

關(guān)鍵詞：