智能語音，主要是人和機器通過語音作為媒介進行自然交互的形式，涉及到的核心技術主要包括四個方面，先通過語音識別（ASR）轉成文字，如果語音信號質量不好的話，前端會有一個語音增強模塊；然后是口語語言理解，接下來是對話管理和口語語言生成，而終通過文語轉換（TTS）生成語音回饋給用戶。

回顧語音識別的發展，在2000年之前，語音識別的錯誤率有明顯的改善，而在2000年到2010年期間，我們做的很多努力很難再去進一步降低識別的錯誤率。在大概2010年后，在深度學習的推動下，利用大數據、機器學習和大算力這“三駕馬車”，語音識別的識別準確度再一次明顯提升，錯誤率再一次下降，并且在一部分數據集上實現了媲美人類語音識別的精度。

語音識別是智能語音范疇內的一個典型任務，除此之外，智能語音的任務還包括語音編碼、語音增強、關鍵詞檢出、聲紋識別等一系列任務，而智能語音技術能夠服務的方向主要包括三方面，一是自然人機交互，二是自然人人交互，還有就是內容分析與挖掘，垂直落地的應用非常多，場景廣泛，價值巨大。

在技術側，智能語音行業發展仍然面臨著聲紋識別的不穩定性、語音識別的魯棒性以及訓練場景的長尾性的落地挑戰；

而在應用側，智能語音技術已逐步從純技術形式應用，轉向“語音+AI技術+行業“的創新式發展。

受供給側的業務增長突破和需求側的客戶訴求推動，智能語音技術調用不僅是單純為轉寫“人說了什么”或者輸出“機器要說什么”，而是正逐步與語義理解、知識圖譜等AI技術融合，讓使用智能語音技術的機器本體更加具備認知性和行業關聯性，結合行業 Know-how和甲方需求輸出整體性、結果導向性的實用解決方案。

智能語音的技術挑戰

1 聲紋識別的不穩定性：人的聲音在不同時間、 狀態會呈現不同的特征，因此技術層面如何準確識別變化明顯的聲紋特征仍然面臨挑戰。

2 語音識別的魯棒性：說話目標由遠到近的移動、場景變化、背景噪音、混響嘈雜、干擾聲源等真實場景，會給語音識別準確率帶來較大 折扣。

3 訓練場景的長尾性：面對低資源小語種和語言訓練場景，如何通過較少資源獲得規模有效的訓練成果，是智能語音持續面臨的技術挑戰。