简体中文
9月18日，在2020云栖大会上，达摩院公布了语音AI技术的最新突破：移动端的语音识别与合成可以支持断网不中断；仅从语音识别能力来看，手机上不到40兆的系统可以媲美过去云端上200G系统的效果。
所谓的“端上”语音交互能力，指的是在例如高德地图等手机App内的语音识别和合成功能。过去，由于精确的语音交互任务长期依赖云端算力，造成了语音指令处理不可避免地延时等问题，移动端的语音功能并不完整。
很长一段时间，在语音识别领域，文字转录、体感较好的语音识别和合成功能主要在云端完成，这是由于云上的算力较强，能够支持语音识别对算力的要求。相较之下，手机端的CPU和内存容量较小，对语音识别功能来说，在不联网的情况下，手机端的算力和内存较难支持高精度的语音识别。
但本次云栖大会上，达摩院对外声称，已取得了技术上的突破，未来个人用户在移动终端也能实现更精准的语音交互，即便在断网的情况下，手机上的语音识别及合成能力仍可以媲美云端。目前这项最新的语音技术已接入淘宝直播、钉钉会议、高德导航等场景应用，并进入对外开放阶段。
从技术上来看，此次达摩院的创新在于算法模型上的突破，推出E2E-ASR端到端语音识别技术及端上KAN-TTS语音合成技术，这两项技术将高难度场景中的语音识别错误率降低近三成，可以说是近期移动端语音识别技术最大的突破。
具体应用上，高德地图近期发布了利用达摩院全新语音技术合成的李佳琦、林志玲、小团团等明星导航语音包，创新点在于断网状态下的语音导航不会中断。
这样的效果背后，是达摩院对语音模型进行了“大瘦身”，将移动端的语音模型缩小至云端的一百零一分之一，计算量压缩35倍。这是继去年发布仿真率可达97%的自研KAN-TTS语音合成模型后的又一次进步。
2019年，阿里语音AI曾入选《麻省理工评论》“全球十大突破性技术”，是唯一上榜的中国科技公司；今年7月IDC发布的《中国AI云服务市场半年度研究报告》显示，阿里语音AI以44%的市场份额，在云上语音AI市场中位居第一。