智东西(公众号:zhidxcom

作者 | 杨畅

编辑 | 漠影

你试过15分钟写3000字吗?

除了知识储备和灵感之外,码字速度同样是一个作者重要的必杀技。作为一位作者,剑飞最常用的码字神器就是讯飞输入法的语音输入功能,他还曾经尝试过用讯飞输入法日更15万字。

输入法虽然是人们使用手机、电脑等智能设备的必备工具,但大家在平常被问到最常使用的App是哪个的时候,很少有人会想起它。

不过随着越来越多AI技术应用到输入法中,输入法逐渐从工具性产品发展成服务性产品,变得更贴心了,像讯飞输入法中的中英文混合输入功能、AI助手提供的AI校对、AI斗图等等,为用户提供了更个性化和场景化的服务。

今年是讯飞输入法推出的第11年,每年都会升级一个大版本的讯飞输入法,在11月3日发布了今年全新升级后的输入法:讯飞输入法V11.0。第11代讯飞输入法有五大亮点变化:AI语音升级、AI助手升级、AI键盘输入升级、AI表情升级和输入法App UI、App内社区改版。

具体新升级的讯飞输入法能给用户带来怎样不同的输入体验,这些升级背后讯飞输入法又融入了哪些独有的AI能力?

为此,智东西对话科大讯飞输入法业务部总经理程坤,在解构讯飞输入法五大新亮点的同时,进一步解开讯飞在AI赋能输入法方面的逻辑和思考。

一、语音输入进化,应对中英文夹杂、嘈杂街头考验

近几年随着语音识别等相关的技术的发展,越来越多用户开始使用、习惯语音输入的方式。不过,相对于拼音输入和手写输入来说,语音输入还有比较大的局限性,其中最大的一个局限性就是容易受到周围环境的影响,比如说高噪声、多人说话的嘈杂场合等,如何保证一个比较好的识别效果是需要重点去突破的技术难点。

程坤谈到讯飞从启动深度学习语音识别研究以来,一直在优化迭代其语音识别模型框架,从DNN到RNN到DFCNN再到Encode-decode,不断提升语音识别的效果,进而保证讯飞输入法语音输入等讯飞语音相关产品的功能持续优化。

受到人耳具备的听觉选择性注意能力的启发,讯飞提出复杂场景下的前后端一体化语音识别框架TFMA(Temporal feedback end-end multi-channel ASR)框架,将原有的语音识别过程进行重构。

传统语音识别系统

传统的语音识别是首先通过声学模型将声音进行过滤,得到特征信号,通过第一道识别引擎把这些特征转化成如发音信息等音素,然后结合语言模型将语音转化为文字。

在这个语音转文字的过程中,如果背景声音是有多个人在同时说话,使用传统语音识别系统是没有办法将这么多声音过滤掉的,进而影响了输入法语音识别的准确性。

目前,讯飞做了一些创新,高效利用多通道语音输入,比如新发布的这个TFMA语音识别框架可以解决复杂场景下的语音识别问题。该方案的技术创新点在于采用前后端联合建模、优化的方案,形成一套自下而上与自上而下互相结合的流程,同时还引入大量的专家知识,结合神经网路网络与传统信号处理的优势,保证了系统的鲁棒性。

TFMA语音识别框架

通过运用TFMA语音识别框架,包括讯飞输入法在内讯飞的软硬件产品大大受益,这些产品在高噪声、多人说话、轻声说话等复杂场景下的语音识别能力再次提升,特别是-10分贝至-15分贝等恶劣场景下的识别由不可用变为可用甚至好用。

程坤介绍说,第11代讯飞输入法除了复杂场景下识别率提升之外,另一项语音方面的提升在于可识别的语种更多了,这一最新版的讯飞输入法现支持包括阿拉伯语、俄语、意大利语、英语等12种外国语言的语音输入和随声译。

程坤补充道,包括这次的多语种和之前的方言语音输入方式的实现都依赖于讯飞的统一建模的技术,将各种语种、方言的语料统一放到一个模型中训练,训练过程中各种语料并不拆开,训练完成后直接输出,这样即使用户的普通话没那么标准的情况下,讯飞输入法也能保证一个很好的识别效果。

讯飞输入法随声译功能,例如用中文说话输入法自动转化为德语文字输入

在交流中,程坤说,从输入法发展的整个过程来看,可以把输入法分为两个阶段,首先是追求效率的一个阶段,可以定义为“1.0版本”,这个阶段输入法厂商解决的是怎样让文字输入又快又准的一个问题。

因为受疫情影响,很多工作、交流都转到了线上,其实,输入法的语音转文字特别是多语种输入功能很好地满足了人们线上交流时的这种快和准的转录式输入需求。

二、让输入法怎样更懂人:既是百宝箱也是情感写手

程坤补充道,随着互联网发展和智能设备用户的个性化需求的增多,输入法也随之变化,解决这种个性化需求的输入法可以被定义为“2.0版本”,对应了三类需求。

第一类需求是用户的个性化输入需求,讯飞上线了AI助手功能去承载这一需求,比如说有些人喜欢用图像去表达一些内容,讯飞输入法有文字直接转图片的斗图功能。

讯飞输入法AI斗图功能,输入文字自动推荐图片

第二类个性化的需求是很多人的输入是为了解决某一类问题,讯飞也根据用户的这类需求在输入法里内置了搜索,缩短了用户的需求实现路径。

程坤说,这一功能的实现其实是依靠讯飞最新的本地化意图识别引擎去解析用户的意图,然后提供给用户针对性的服务。

讯飞输入法内置的搜索功能

第三类是情感化的需求,讯飞想让输入法的AI助手像一个真正的助手一样,能主动提供给用户一些推荐和服务,比如说在用户在社区论坛发帖过程中给用户推荐文案,当用户聊天的时候提供给用户一些更丰富的表达、帮忙校对错别字,用户想一键好评的时候帮忙助写等等。

这个过程中会用到一些自然语言处理(NLP)的技术,在本地直接进行分词分析,感知到用户想要表达什么。另外,本地化NLP技术对用户来说体验会更好,也更安全。

讯飞输入法AI发帖助手、AI聊天助手、AI好评助手功能

程坤还分享了讯飞输入法在AI助手方面未来的一些目标,他说对于现在的讯飞输入法版本,可以定义为从追求效率的“1.0版本”向追求情感感知的“2.0版本”的一个过渡,所以在场景覆盖上面还没有那么全,讯飞先选择用户社交、论坛、电商等一些用户使用频次高的场景进行适配,未来会逐步的扩展,比如说直播场景、用户写作场景等等。

并且,讯飞输入法未来想提供的不仅仅是输入工具的功能,还会加入后续的服务链接,像目前,在讯飞输入法界面就可以直接搜索不用跳出输入界面,未来可能在买东西的时候,输入商品名称,输入法就会串联到一个比价的功能等等。

“其实讯飞输入法是整个讯飞产品里用到人工智能技术比较多的这样的一个产品。”程坤谈到,除了语音技术和AI助手之外,讯飞输入法的图像识别功能和随意手写输入的功能也是融入了很多讯飞自研的AI技术,可以识别手写和印刷体、表格,还可以进行学生作业的批改等多种功能。

讯飞输入法的图像识别功能

三、输入法的未来在元宇宙里?

除了提升输入法的AI能力,讯飞对输入法的界面也进行了改版,第11代讯飞输入法键盘整体变得更加圆润。

程坤提到讯飞针对某些页面,基于使用人群本身的特点进行了一些定向的优化。

讯飞输入法App页面和键盘页面

输入法是人机交互的重要工具,除了常用的手机、电脑之外,汽车、可穿戴设备等等都会需要输入法来完成操作。

例如,汽车的车机内置输入法,用户对这类输入法的需求跟使用手机时对输入法的需求不同,使用车机输入法的目的更多是进行搜索,搜地名来导航、搜歌曲来提神等等;而像智能手表对输入法的需求也相对于其他设备有差异,讯飞的语音输入功能对于智能手表这种屏幕较小的智能设备来说,会有更好的输入体验。

智能手表输入界面

谈到输入法的交互能力,程坤还分享了对于输入法未来发展的一些见解,输入法的文字录入的功能可能只是它的部分功能,未来输入法更多可能会像一个助手一样存在。

像最近业内热议的元宇宙,用户如何和虚拟世界进行交互,可能不仅仅是使用现在常用的键盘,或者文字输入这种形式,更多的可能是类似现实中人和人语音对话的这种形式进行一些交互。

除了语音交互之外,在元宇宙这种虚拟世界中,人们还会需要用图像来进行交互、识别交互的另一方;再有就是讯飞正在布局的虚拟形象,通过一个虚拟形象代表用户自己在虚拟世界的一个身份,进而结合语音技术、图像技术来达成更好的交互。

科大讯飞推出的虚拟人交互平台

结语:AI时代输入法从快和准到个性化

随着输入法的准确性和快速输入能力的提升,用户对输入的需求也不断增多,讯飞考虑到各种用户不同场景下的需求,给出有针对性的输入解决方案,包括语音输入、图片输入、AI校对、AI助手等等。

谈到讯飞输入法,程坤说现在讯飞输入法的大部分用户都是主动从手机应用市场上下载安装讯飞输入法的,就是因为讯飞充分考虑到了用户个性化的需求。

如何利用AI去更精准地匹配用户的个性化需求,或许是未来输入法领域重要的竞争点。