语音方案比对介绍
语音交互是现今应用最多的智能交互方式,在人工智能越来越火的当下应用十分广泛,所以特别针对车内环境,在驾驶员安心驾驶的时候,用语音可以安全的进行操控,所以针对公司的车联网的业务需求,我做了一个语音方案的研究和比对。
语音需求
整体来说语音需求,选择的语音方案至少要满足语音唤醒,语音合成,语义解析三大基础功能
1. 语音唤醒: 能够通过唤醒词,唤醒语音助手,进行后续用户语义的识别,免去手动点击唤醒的操作
2. 语音合成: 俗称TTS(Text To Speech),支持将文本转换成语音播报出来
3. 语义解析: 支持将用户输入的语音,转换成文本,并进行相应的分析,定位到相应的场景,关键字 返回结果帮助我们定位到用户需求。
例如:“导航到深圳北站”,除了解析语音返回整句文本之外,还需要定位到这是地图场景,关键字是POI点深圳北站
语音方案
现今市面上比较常用的语音方案有:腾讯云语音,讯飞语音,百度语音,思必驰,云知声,同行者,搜狗语音云
- 同行者并不同于其他只做语音方案,它提供的更多的是智能设备的整套系统方案,有对外开放SDK,但需要走商务渠道才能试用
- 思必驰 主要针对场景进行制定化开发,无对外开放平台进行试用,需要走商务合作
所以暂时着重比对介绍一下腾讯云语音,讯飞语音,百度语音, 云知声,搜狗语音云
讯飞语音
优点:
- 支持的语义场景广泛,包括家居,地图,应用,音乐等等27个场景,8个聊天对话类型
- 语义解析除了整个语句文本外,还提供详细的域名,操作,类型,关键字等Json数据,便于开发
- 在线功能 语义解析,语音合成,命令词识别审核通过后,可以无限制免费使用
- 讯飞平台可以对接微信公众号,在微信公众账号中增加智能问答的功能。
- 讯飞和云知声 成熟的车载案例很多
缺点:
- 语音唤醒功能需要收费,最高五万套装机量授权需要 25000,更大的装机量需要定制化开发
- 唤醒词只支持4-6个汉字,无法更少
- 有些个别语义关键字,无法正确解析到,但是整句文本都能准确返回
- 免费的语音合成只支持在线,会耗费很多流量
备注: 云知声的对外开放平台,主要功能和使用形式同讯飞基本一致,唤醒和离线语音合成都需要收费定制化开发
腾讯云语音
使用腾讯云语音需要注册腾讯云账号,添加项目和服务,云语音只是整个腾讯云中的一个产品,不收费
特点:
- 没有提供语音唤醒服务
- 提供实时流式识别,离线语音识别,语音合成功能
- 离线语音识别功能 不是离线语音合成或者离线识别语音, 只是支持将录制好的音频上传 RESTful API 进行语音识别,还是需要访问在线API
- 语音识别和语音合成不是同一个SDK,语音识别是独立的Android SDK,语音合成是一个独立的 RESTful API接口
- 语音识别成熟的客户案例少,只有五个 没有车载行业,语音合成有一个腾讯地图
- 语音识别需要自己提供关键字,进行识别检索,关键字最多200个
百度语音
特点:
- 语音唤醒,语音识别,语音合成三大功能基础服务永久免费
- 语音识别,语音合成支持离线在线混合SDK,根据网络情况和指令进行自动切换,以及全平台的RESTful API
- 语音识别的离线SDK支持自定义语义,在线SDK可以设置识别场景
- 支持开发者上传词库,用以训练识别模型
- 语音合成 支持多语言多音色选择,可调节语速、音调、音量、音频码率
- 语音唤醒最多支持十个唤醒词,包括最多三个自定义唤醒词,也叫做基础唤醒词(“小畅你好”),剩下可选百度提供的命令唤醒词(“上一首,下一首”)
搜狗语音云
特点:
- 无语音唤醒功能,提供三大核心功能,语音识别(离线/在线),音乐检索,语音合成
- 语音识别免费提供,搜狗着重在语音识别的准确性,对于语义支持的不是很广泛,支持十个以内的语义场景,离线识别能通过离线的语音包,准确识别到语音
- 语音合成,只提供离线版,但是需要走商务渠道进行合作,不免费对外开放
- 音乐检索,可以根据音乐片段检索出整个音乐的歌曲名
总结
经过比对和试用SDK Demo,总体来说,百度语音最适合,,不仅能够满足我们的语音需求,还支持自定义深度优化,相比较其他语音方案,百度语音具有以下三大优势:
1. 免费支持语音唤醒,相对比其他方案,唤醒都是收费的,而且还能够支持最多三个自定义唤醒词
2. 提供离线语音识别和语音合成,其他语音方案只提供在线语音合成和识别,离线都需要收费,百度语音免费提供,能够减少很大的流量消耗
3. 能够自定义语义,我们可以根据自己的业务需求定义一些语义加入到离线识别中,做到深度化定制,给用户更好的体验,
例如:”我要点肯德基”,”打开行车记录仪”