12月21日，极客公园创新大会十周年在北京举行未来趋势论坛。搜狗CEO王小川在会上说，语音识别技术解决难点有语义理解、智能降噪、语音合成等。

 

　　王小川现场展示了一段讨论视频和语音转换界面，视频显示有多名讨论者、发言夹杂了中英文、掌声和笑声等语音识别难点。王小川说，其中，语音转换需要实现区别不同人声的人声分离，提供掌声、笑声等其他声音的识别来帮助观众理解内容，同时解决中英文夹杂的难题。

　　在上述的识别难题背后，还有其他的技术难点，如在嘈杂环境中如何让人和机器听得更清楚？王小川说，传统的降噪处理通过麦克风矩阵来解决，计算多个麦克风的中间数值和信号处理，现在的降噪处理则可通过人工智能方式来学习4万余种真实噪音，加入新的降噪算法，使机器有能力去分辨各种噪音并智能降噪。

 

　　另外，语音合成也是未来AI语音识别的发展方向。王小川说，目前基础的语音合成已经较为普遍，如语音合成林志玲、高晓松的声音，但在长篇演讲、音频付费节目等应用中，如何让语音合成脱离机械播报，成为有情感的表演是一个难题。

 

　　对此，AI通过提取声音特征、添加“声音皮肤”的方式来解决，王小川举例说，这需要一名负责读出演讲者文章的转述师，AI能提取演讲者的声音特征和转述师的声音情绪，两者的结合就相当于给演讲者的声音披上了“声音皮肤”，变成有情绪的声音。王小川现场演示了用蜡笔小新、高晓松、东北大姐的声音说出了“假如生活欺骗了你，不要抱怨，抱我”。

 

　　王小川介绍，搜狗也在从语音变声走向视频合成，比如AI合成主播。在这方面，目前实现的效果有语音唇动同步生成、展现较为丰富的表情、多语言多场景播报、对话能力等，搜狗也推出了第六代分身技术——央视的天气预报主播，能展现“主播”大角度、大幅度的合成动作画面。

 

　　王小川认为，未来语言AI的发展方向是“自然交互+知识计算”，自然交互需要运用语音、图像、视觉等技术，使人与机器能通过语音、图像、手势进行交流，另外，语言AI更难的地方在于知识计算，需要实现翻译、问答、对话等能力，自然交互和知识计算的结合最终将发展成“智能助理”，苹果的Siri就是其中一例。