圖像、語音成為近兩年最熱門的概念，所謂娛樂驅(qū)動市場，市場驅(qū)動技術(shù)發(fā)展。在多元化的互聯(lián)網(wǎng)圈里“好玩”才能紅，而圖像與音像也從過去的美化處理往更高深的技術(shù)領(lǐng)域前進，在2016年，智能的語音識別和圖像識別將走進普通人的生活中，它們會有哪些展望和動作呢?讓我們所見所聽的世界將變得生動起來。
語音識別
語音識別技術(shù)雖然起源于1952年，但真正進入消費市場已經(jīng)是上世紀(jì)90年代的事了。目前語音識別有兩大發(fā)展方向，一個是純機械指令，基于產(chǎn)品定位而設(shè)計命令詞組，作為高效的輔助工具存在;一個是智能化理解語境，與人進行互動交流，并承擔(dān)部分處理工作。后者可能是語音識別未來的發(fā)展方向，但實際應(yīng)用中兩者并不沖突。簡單精準(zhǔn)的機械指令讓工作更為純粹，沒必要做多余的計算動作。而很多智能設(shè)備將語音作為“解放雙手”的第三類互動形態(tài)，就需要對人的語境進行“理解”，相信很多朋友都玩過siri、GoogleNow、Cortana，也同時體驗過這些語音助手“會錯意”的賣萌行為。老羅在去年堅果發(fā)布會上曾說所有語音助手都是“偽”智能，雖然有點以偏概全，但目前語音對語境的識別確實還不夠智能，遠(yuǎn)不如機械指令效率。不過這些問題隨著深度學(xué)習(xí)等AI領(lǐng)域技術(shù)的崛起將逐漸克服。
圖像識別
圖像識別從以圖搜圖到明星、物體識別，再到場景識別，甚至現(xiàn)在延伸到了視頻領(lǐng)域，給行業(yè)帶來了太多驚喜?，F(xiàn)在圖片內(nèi)容的價值已經(jīng)超越圖片本身，并且建立了從圖片到電商的商業(yè)模式。圖像識別一般針對畫面中一個對象做識別，比如大眾熟知的人臉、明星臉等識別技術(shù)已經(jīng)很成熟了，基本識別率達(dá)到90%以上。近年、服飾品牌的同款識別和風(fēng)景識別大行其道，為旅游行業(yè)和服飾行業(yè)創(chuàng)造了商機。圖像識別在視頻領(lǐng)域涌現(xiàn)出強大的應(yīng)用前景，新興起的互動視頻技術(shù)video++已經(jīng)實現(xiàn)視頻中的人臉和服飾同款的識別，基于圖像識別技術(shù)發(fā)展視頻中的商業(yè)場景。另外瞳孔識別的研究已經(jīng)提上日程，不久的將來，科幻片中所見即所得的情景不再是幻想。
深度學(xué)習(xí)
沒有基礎(chǔ)的技術(shù)實力，語音和圖像是好玩不起來的，而高級和低級的門檻就在深度學(xué)習(xí)的研究上。國內(nèi)雖然起步較晚，好歹在去年趕上了這波風(fēng)潮，包括圖像識別和語音識別在內(nèi)，還有自動駕駛、無人機、環(huán)境還原、機器人等項目，前段時間很火的谷歌AlphaGo在圍棋領(lǐng)域擊敗了歐洲二段冠軍，也是歸功于深度學(xué)習(xí)的算法支持。可以說跟用戶有交互行為的產(chǎn)品，都開始進行深度學(xué)習(xí)AI的研究了。通過神經(jīng)網(wǎng)絡(luò)的訓(xùn)練學(xué)習(xí)，語音識別變得更聰明， 實現(xiàn)快速精準(zhǔn)的識別動作以外，還能對下一句的語境情緒進行預(yù)測，模擬真人對話。另外，語音識別大量運用在翻譯市場，爭取未來十年內(nèi)在專業(yè)翻譯領(lǐng)域完全替代人類。圖像識別過去大多是建庫識別，深度學(xué)習(xí)釋放了圖像識別的識別領(lǐng)域，把識別對象的年齡變化記憶下來，實現(xiàn)動態(tài)、多角度、不同光照變化下的識別。
應(yīng)用領(lǐng)域
安防市場是要求語音和圖像識別技術(shù)雙高的行業(yè)之一，未來將不局限在解鎖開門等基礎(chǔ)功能，運用圖像識別技術(shù)，實現(xiàn)對象動作識別，根據(jù)威脅等級進行危險性判斷，提前發(fā)出警報或報警。語音識別的運用領(lǐng)域?qū)⒊叨嘶l(fā)展，近年來語音識別速度屢創(chuàng)新高，在翻譯市場、智能硬件助手、AI輔助，行車幫助等等方面實現(xiàn)價值。而娛樂領(lǐng)域的玩法變得多元化，像最近大熱的faceu，運用了臉部識別跟蹤技術(shù)，讓普通的自拍可以DIY。還有video++視頻開放平臺，可以對視頻中的明星、衣服同款進行識別搜索，打開了視頻到電商的入口。乘著去年SaaS的風(fēng)口，國內(nèi)外陸續(xù)出現(xiàn)了語音識別、圖像識別的技術(shù)開放平臺，從專業(yè)到普通領(lǐng)域，語音識別和圖像識別將在2016年做到技術(shù)全覆蓋。
大數(shù)據(jù)
數(shù)據(jù)收集是一個從被動到主動的過程，語音識別從接受指令變成了對指令使用頻率的分析，進而形成用戶的習(xí)慣圖表。圖像識別亦然，針對用戶的識別頻率，分析出用戶的興趣畫像，這將給予廣告主帶來精準(zhǔn)廣告推送的商機。
結(jié)語
2016年將是“最好玩”的一年，語音識別和圖像識別讓我們跟智能設(shè)備之間的交互更自然，基于大數(shù)據(jù)的技術(shù)支持，讓識別變得主動而聰明。語音識別和圖像識別將走進普通人的世界，讓我們的生活更生動。