推动万物互联时代人机交互革命

我们观察到GPT-4o的发布，全世界都在进一步关注语音，其实在去年11月份的时候，Whisper已经发了他们OpenAI的整体语音技术，并把语音做成一个非常重要的方向。最近苹果的手机大家也看到了语音技术的进步，手机厂商对语音技术进一步产生了更大的关注，而且要用它来改变所有人机交互的方式。

人类社会进入到了万物智能互联的时代，越来越多的设备没有屏幕，离我们几米之外，不方便用键盘，不方便触摸。在越来越多的时候，我们需要更自然的人机对话，用户才能够得到更好地体验，更迅速地学习，获得相关生活中的帮助，我们更需要语音。

星火语音大模型再次升级，会使得万物互联时代下人机交互的革命进一步落得更透，这也是科大讯飞在1999年创业时就提出来了要实现人机信息沟通的无障碍。过去10年，从深度神经网络出台之后，科大讯飞一直引领着语音技术的发展。我们是全世界第一个让语音识别超过了专业速记员水平的公司，像这种会议转写的情况，机器翻译超过了99%的大学六级考生，通过了国家翻译师资格考试；个性化语音合成也给央视的节目进行配音；我们的多语种技术在2020年代表中国，在美国把讯飞列入实体清单之后，对中国极限施压的背景下，多语种技术依然保持了全球领先，解决了我们的汽车、手机、智能家居等出海“卡脖子”问题。

我们非常荣幸在几天前获得了国家科技进步奖一等奖，这也是中国人工智能领域在深度神经网络之后的第一个国家科技进步奖一等奖，当然也有中国科学技术大学、清华大学、华为、中国移动等合作伙伴共同努力的结果。

技术进一步发展使得我们在万物互联时代的人机交互标准被重新定义，它应该要实现多语言多方言的交互，在远距离、高噪音场合下也能够识别，能够全双工随时随地可以打断，可以支持多模态，语音、手势、嘴型等结合。大家关注的Open AI发布的GPT-4o中最重要的一个全双工功能，实际上使用的是科大讯飞2020年就在国际会议上提出来，在去年5月正式发布的国际标准。

目前，我们的语音识别在最主流的语种上已经继续保持了全球领先，这是多语种多方言免切换的演示，在相对安静的手机等各种场景下，还有更极限的场合，例如强干扰情况下“鸡尾酒会”的语音识别场景都能进行识别。

伴随着技术的最新进步，我们也有个专门的讯飞同传软硬一体的翻译系统，这个系统戴上去，我在上面讲话，你听到的就是英语，当然我们还有更多语种。同时，这个翻译系统是软硬一体化的，我在后台讲话，通过语音识别、翻译、语音合成，每个人戴着耳机就可以听到，从而实现大会同传、展厅同传以及各种旅游同传。一个人讲话所有人听，我们还会推出软硬一体化的设备，让各种语言混杂在一起可以随意开会，要把整个软件和硬件结合在一起，来解决现在社会的刚需。

将来，我们日常的机器人进入到各种高噪音环境下，在各种各样的服务场景下，有这样的能力，我们就不怕机器听不懂了。语音识别进入到规模化使用，当年我们在手机输入法上，在全球率先提出手机语音听写时代开始到来，它的标志是85%以上的准确率，到89%就可以全面使用了，现在我们的识别中，两个人混叠场景准确率已经到了91%，远超国际竞品，三混叠场景准确率更是完全不一样，我们准确率已经到了85%以上，但其他的只有20%多。在-5dB的高噪场景，噪音已经比我们人讲话还要高不少的情况下，我们依然能做到90%以上的准确率。

因为这些技术进步，我们从去年底到今年的国际连续最权威的语音识别比赛，一个是国际多通道语音分离和识别大赛CHiME-7，我们继续拿了全球第一；另一个是今年的上半年国际声学、语音和信号处理会议ICASSP 2024（International Conference on Acoustics, Speech, and Signal Processing）的旗舰赛事——国际车载多通道语音识别挑战赛（In-Car Multi-Channel Automatic Speech Recognition Challenge，ICMC-ASR） ，科大讯飞是全球第一，这个不是中文的，是英文和多语种的比赛。

今天，我们的语音交互已经搭载了5700多万辆的汽车，去年中国500多万辆汽车出海，成为中国出海的“新三样”，其中的多语种智能语音技术几乎全是科大讯飞提供的。不仅仅是语音，我们还将语音与大模型结合，与红旗、奇瑞、广汽合作，包括最近又和一汽签订了战略合作协议，越来越多的车企开始用我们“能听会说、能理解会思考”的汽车方案。