10月30日消息，剛剛結(jié)束的李佳琦直播間里，剁手黨通過阿里語音機器人首次實現(xiàn)與主播的實時互動。直播過程中，數(shù)十萬用戶同時用語音回答李佳琦的提問，最終機器人在50毫秒內(nèi)就完成了語音識別和語音反饋全過程，反應(yīng)速度是傳統(tǒng)語音的20倍。
淘寶直播間觀眾用語音與李佳琦互動
今年雙11期間，淘寶直播間推出 “語音猜價格”功能，觀眾在直播間也能實現(xiàn)語音交互，例如動動嘴就可以響應(yīng)主播發(fā)出的猜產(chǎn)品價格任務(wù)。語音機器人成為決定這一互動過程能否順暢的關(guān)鍵。
據(jù)介紹，一場淘寶直播的觀眾數(shù)量可達(dá)百萬甚至千萬，并且用戶分布在全國各地，口音差異較大，目前主流的語音技術(shù)方案很難做到短時間內(nèi)快速響應(yīng)如此體量的用戶語音，例如類似Siri識別用戶語音的響應(yīng)時長就在1秒以上，無法滿足直播場景強互動的要求。
此次淘寶直播間采用了達(dá)摩院最新的移動端離線端到端語音識別技術(shù)。基于全新的網(wǎng)絡(luò)結(jié)構(gòu)和語音識別框架，即便在低配手機上，也能在50毫秒內(nèi)完成語音交互過程，速度是傳統(tǒng)語音識別的20倍；此外，該技術(shù)還解決了快語速、重口音等問題，高難度場景中的語音識別錯誤率降低近三成。
達(dá)摩院語音實驗室技術(shù)專家萬玉龍表示，“在實時性要求極高的場景，傳統(tǒng)的云端語音方案無法滿足需求，這套語音技術(shù)的創(chuàng)新在于同時實現(xiàn)了識別速度和準(zhǔn)確度的提升，語音AI模型部署在每個用戶的淘寶直播APP上，即便直播間有千萬級別的用戶，AI也不會漏聽慢判。”
過去幾年，阿里語音AI在基礎(chǔ)研究和應(yīng)用上取得了一系列突破。2019年，阿里語音AI入選《麻省理工評論》“全球十大突破性技術(shù)”，是唯一上榜的中國科技公司；今年7月IDC發(fā)布的《中國AI云服務(wù)市場半年度研究報告》顯示，阿里語音AI以44%的市場份額，在云上語音AI市場中位居第一。
