文|AI财经社 周晶晶
编|赵艳秋
“五个巧克力、两个香草拿铁，算了，巧克力不要了。”鄢志杰以最快每秒5个字的语速向站在一旁的咖啡师点单，后者不得不选择中途放弃，“太快了，记不下来”。
鄢志杰又转向一台除了屏幕通体都是白色的机器点单师求助，后者在49秒内，记录下他点的30多杯咖啡， 对其点单过程中包括修改、删除、加单等要求进行了精准回应。人类咖啡师在听了鄢志杰第二次复述后完成了订单，用时2分37秒。
这是发生在5月23日云栖大会武汉峰会上的一幕。鄢志杰是阿里巴巴机器智能技术实验室语音交互首席科学家。
“我们将机器对人类口语的理解能力带到了新的高度”，鄢志杰表示。在过去，机器语音交互通常需要"语音唤醒+语音指令"两个环节，此次免唤醒的语音交互，打破了传统命令式交互方式。
升级后的语音交互方式突出的优势在于，在整个交流过程中，顾客不需要说”hi，点单机“之类呆板的唤醒词，可直接下单，更符合人与人的自然对话。这种更流畅的人机交互模式，被阿里称为“流式多意图口语理解引擎”。
体验升级的背后是技术的更迭。据鄢志杰介绍，这些模块并非简单级联，而是深度融合而形成了多模态语音交互方案，包括是公共场所强噪声环境下的信号处理和语音识别、视频识别与面部识别、场景感知等多模态融合的感知智能。
目前，该语音解决方案除了可替代收银员，还能在地铁卖票。目前，在上海地铁已实现落地。乘客直接说出目的地，售票机便可选择合适的站点和路线。测试数据显示，普通买票耗时往往超过30秒，而语音购票全程只需要10秒左右。
据介绍，目前已经落地的场景还包括车内语音助手、电话智能客服、可免遥控器操作的远场语音电视等。“未来我们希望实现公众空间里的万物皆能对话。”鄢志杰表达了愿景。
閱讀更多 財經天下週刊 的文章
