智能语音交互

阿里智能语音交互（Intelligent Speech Interaction），是基于语音识别、语音合成、自然语言理解等技术，为企业在多种实际应用场景下，赋予产品“能听、会说、懂你”式的智能人机交互体验。适用于多个应用场景中，包括智能问答、智能质检、法庭庭审实时记录、实时演讲字幕、访谈录音转写等场景，在金融、保险、司法、电商等多个领域均有应用案例。全新的2.0版本现已发布，用户可以使用自学习平台等工具改善语音识别效果，而且提供了功能更丰富的管理控制台和更易用的SDK，欢迎开通体验。

识别准确率高

​

国内独创的字级LC-BLSTM/DFSMN-CTC建模，相对业界传统CTC方法降低了20%的错误率，大幅提高了语音识别的精度。

超快的解码速率

国内独创的LFR解码技术， 在不损失识别精度的情况下，将解码速率提高了3倍以上，大幅缩短了反馈时间，提升用户体验。

广泛的领域覆盖

目前已经积累了大量行业客户，业务场景包括智能问答、智能质检、庭审记录、字幕翻译、语音助手等等。在金融、保险、司法、智能家居等多个领域均有成熟的应用案例。可以满足不同客户多样化的需求。

独创的模型优化工具

应用场景

法庭庭审转写方案

将庭审过程中的法官、被告等角色所说的话实时转写成文字，从而替代了书记员的角色。阿里云智能法庭方案已经覆盖上百法庭，经过千次庭审的洗礼，得到广泛好评。合作客户包括浙江省全省法院、北京知识产权法院等。

业务痛点及需求

之前主要通过书记员对庭审过程进行记录，记录下来的文字会带有书记员的理解和归纳。智能语音识别技术可以将庭审各方的语音直接转变为文字，供各方在庭审页面上查看，并可作为庭审笔录直接使用。

优势

1. 积累了大量司法方面数据，转写效果佳；

2. 全国首次在庭审中使用语音识别，正确率超过97%；

3. 支持专有云部署；

4. 对于特殊关键词，如人名等，可以分庭做词表导入，以优化识别准确率。

智能客服质检

传统质检一般是对客服电话录音以人工听的方式进行检查，存在效率问题以及人员瓶颈。智能质检能够对所有服务过程进行全量的实时质检，帮助企业的服务部门摆脱人的限制，全面把控服务质量。

使用流程

将待检的语音数据转换成文本之后，通过质检引擎产生质检结果，并生成统计数据。质检人也可以在管控台上定位查看到每条数据命中的规则点、以边听边看的方式对结果进行校验。

优势

1. 全量自动化——能实现全量客服通话、工单的自动化质检；

2. 实时性——能做到电话一挂立即完成质检，实时看到最新的结果；

3. 规则灵活性——规则配置超灵活，覆盖到各类复杂的业务场景。

实时直播字幕及监控

现场演讲场景、直播场景下，将视频中的音频实时转写成字幕。在直播场景下，还可以进一步对内容进行监控。

业务痛点及需求

1. 在开大会做演讲时，现场环境如果比较嘈杂，座位靠后或远程做直播时，可能会听不清演讲内容；

2. 一个直播APP，每天产生的视频数量多达数十万小时。严肃直播有字幕需求，娱乐直播有监控需求。

优势

1. 在阿里云栖大会现场做了演讲的转写，在正确率上击败国际速记比赛亚军，目前已经成为云栖大会的标配产品；

2. 实时转写速度极快，几乎与直播同步。

业务电话内容监控

传统中介业务中容易出现客户双方建立联系后抛弃中介的事情，如房东诱导房客进行线下交易，从而导致中介公司经济损失。这类行为往往发生在双方沟通的电话中。通过阿里云语音识别服务，可以帮助中介及时的发现上述问题，从而阻止逃单行为，避免经济损失。

使用流程

将电话实时传给阿里云的语音转文本接口，阿里云将及时返回数据，客户可使用阿里云的质检系统或者自建分析系统对返回的文字做分析，从而及时发现问题。

优势

1. 无需人工介入，减少人力成本；

2. 实时性好，可以及时发现问题。

智能语音问询终端

阿里巴巴率先解决在公共场合噪音环境下的语音交互问题，在地铁，餐饮店等公众场景下实现了高体验的语音交互。该套方案中集合了语音识别，自然语言理解，对话管理，音频信号处理，语音合成，机器视觉等多项人工智能技术，给用户提供一种全新的，多模态的语音交互方式。

业务痛点及需求

在嘈杂的公共环境中提供高质量的语音交互服务，给用户带来全新体验的同时提高了商家的服务效率、为商家节约成本。比如地铁语音售票机，用户说出目的地，售票机会自动找到相应地铁站并推荐最佳换乘路线；语音购物机可以大幅提高用户的点餐效率，并结合用户特性实现商品推荐等。

优势

1.强噪音环境下语音识别，识别准确率高达90%以上。

2.免唤醒语音交互，用户无需说唤醒词，交互更自然。

3.流式自然语言理解，单句话多意图，交互效率更高。

4.全本地机器视觉，本地人脸检测算法，进一步辅助提高噪音下的语音识别性能，并可以提供用户的年龄/性别等信息。

5.超高拟真语音合成，真人相似度高达97%，让语音合成具备感情。