據(jù)蘋果14日提交的最新專利申請(qǐng)文件顯示，蘋果正在開(kāi)發(fā)一種全新的方法，通過(guò)在未來(lái)版本的Siri或者其他系統(tǒng)中添加面部分析功能，來(lái)幫助Siri解讀用戶需求。這意味著Siri將來(lái)可能不僅懂得語(yǔ)音識(shí)別，在與用戶進(jìn)行對(duì)話時(shí)，它甚至可以啟用設(shè)備的FaceTime攝像頭，來(lái)分析用戶面部表情，解讀用戶情緒。

蘋果官方稱，申請(qǐng)這一專利的目的是減少語(yǔ)音請(qǐng)求被Siri誤解的次數(shù)，試圖通過(guò)分析用戶情緒來(lái)進(jìn)一步提高準(zhǔn)確度。蘋果還提到：“Smart Apps可以代表用戶執(zhí)行操作，以回應(yīng)用戶的自然語(yǔ)言需求，但在某些情況下，可能會(huì)與用戶想要的操作并不符合。但是現(xiàn)在我們可以對(duì)視頻輸入中的面部圖像進(jìn)行分析，通過(guò)識(shí)別形狀或運(yùn)動(dòng)來(lái)識(shí)別特定的肌肉或肌肉組織是否被激活”。

目前人工智能較為成熟的應(yīng)用之一就是圖像和語(yǔ)音識(shí)別。圖像識(shí)別是指利用計(jì)算機(jī)對(duì)圖像進(jìn)行處理、分析和理解，以識(shí)別各種不同模式的目標(biāo)和對(duì)像的技術(shù)。得益于數(shù)字化時(shí)代帶來(lái)的海量數(shù)據(jù)，加之機(jī)器學(xué)習(xí)方法的廣泛應(yīng)用，計(jì)算機(jī)視覺(jué)發(fā)展迅速。以往許多基于規(guī)則的處理方式，都被機(jī)器學(xué)習(xí)所替代：機(jī)器自動(dòng)從海量數(shù)據(jù)中總結(jié)歸納物體的特征，然后進(jìn)行識(shí)別和判斷。其已經(jīng)廣泛應(yīng)用到拍照識(shí)物、畫面增強(qiáng)、人機(jī)交互等各種領(lǐng)域，包括典型的相機(jī)人臉檢測(cè)、安防人臉識(shí)別、車牌識(shí)別等等。

神經(jīng)網(wǎng)絡(luò)圖像識(shí)別的發(fā)展，各類視覺(jué)識(shí)別的任務(wù)精度都得到了大幅提升。在全球最權(quán)威的計(jì)算機(jī)視覺(jué)競(jìng)賽ILSVR上，千類物體識(shí)別錯(cuò)誤率在2011年時(shí)還高達(dá)25．8％，從2012年引入深度學(xué)習(xí)之后，后續(xù)4年的錯(cuò)誤率分別達(dá)到了16．4％、11．7％、6．7％、3．7％，出現(xiàn)了顯著突破�，F(xiàn)在，人臉識(shí)別甚至能做到誤判率低于百萬(wàn)分之一。

語(yǔ)音技術(shù)主要包括語(yǔ)音合成和語(yǔ)音識(shí)別兩項(xiàng)關(guān)鍵技術(shù)。讓機(jī)器說(shuō)話，用的是語(yǔ)音合成技術(shù)；讓機(jī)器聽(tīng)懂人說(shuō)話，用的是語(yǔ)音識(shí)別技術(shù)。語(yǔ)音識(shí)別技術(shù)是指將人類語(yǔ)音中的詞匯內(nèi)容轉(zhuǎn)換為計(jì)算機(jī)可讀的輸入，例如按鍵、二進(jìn)制編碼或者字符序列，與說(shuō)話人識(shí)別及說(shuō)話人確認(rèn)不同，后者嘗試識(shí)別或確認(rèn)發(fā)出語(yǔ)音的說(shuō)話人而非其中所包含的詞匯內(nèi)容。此外，語(yǔ)音技術(shù)還包括語(yǔ)音編碼、音色轉(zhuǎn)換、口語(yǔ)評(píng)測(cè)、語(yǔ)音消噪和增強(qiáng)等技術(shù)。

科大訊飛作為智能語(yǔ)音識(shí)別領(lǐng)域的領(lǐng)跑者，在技術(shù)應(yīng)用中訊飛翻譯機(jī)3．0支持和7個(gè)領(lǐng)域的專業(yè)人士充分對(duì)話，覆蓋醫(yī)療、外貿(mào)、體育、金融、能源、計(jì)算機(jī)、法律等七大熱門行業(yè)的AI翻譯，同時(shí)支持粵語(yǔ)、四川話、東北話、河南話等中文方言與英語(yǔ)的互譯，普通話與維語(yǔ)、藏語(yǔ)的即時(shí)互譯。另外，即使是方言口音的英語(yǔ)，訊飛翻譯機(jī)3．0也能識(shí)別。

語(yǔ)音識(shí)別技術(shù)從客服到智能家居，再到移動(dòng)手機(jī)端和車載環(huán)境等多方面具有廣泛的應(yīng)用場(chǎng)景。但語(yǔ)音識(shí)別還是有一些缺點(diǎn)的。語(yǔ)音隨時(shí)間而變化，所以必須使用生物識(shí)別模板。語(yǔ)音也會(huì)由于嗓音沙啞、情緒壓力或是外界環(huán)境影響而變化。語(yǔ)音識(shí)別系統(tǒng)比指紋識(shí)別系統(tǒng)有著較高的誤識(shí)率，因?yàn)槿藗兊穆曇舨幌裰讣y那樣獨(dú)特和唯一。

目前圖像與語(yǔ)音識(shí)別技術(shù)其很大程度上還是處于識(shí)別和歸類的層面，想要透過(guò)表層的識(shí)別去進(jìn)行深層的情緒認(rèn)識(shí)和理解，進(jìn)而優(yōu)化人機(jī)交互的體驗(yàn)，尚需時(shí)日。