這兩年很火的高階科技，一個是自動駕駛，一個是元宇宙，而這都離不開“人機互動”。如何讓機器識別人類的自然語言並做出準確判斷？這就需要語音識別技術。

近年以來，隨著智慧電子裝置迅速普及以及工業網際網路等應用場景的大幅拓寬，智慧語音識別技術得到了長足的發展，與此同時，智慧語音市場也在急速擴容。

最新發布的《2020-2021中國語音產業發展白皮書》顯示，2020年我國智慧語音市場規模已經達到了217億元，同比增長31%，而2021年同比增長可達44%。

智慧語音是人工智慧AI的重要應用領域，預計2025年我國智慧語音垂直行業應用核心產品規模有望達到159億元，2019-2025年複合增速23%，而智慧語音帶動的整體市場規模，有望在2025年達到875億元，2019-2025年複合增速25%，產業前景十分廣闊。

定義與發展階段

語音識別是人機互動的入口，是指機器/程式接收、解釋聲音，或理解和執行口頭命令的能力。說起來很高階，其實語音識別場景很常見。舉個例子，比如被大家“玩壞”的Siri(蘋果智慧語音助手)、微軟Windows10系統自帶的小娜（Cortana）。

在智慧時代，越來越多的場景在設計個性化的互動介面時，採用以對話為主的互動形式。一個完整的對話互動是由“聽懂——理解——回答”三個步驟完成的閉環，其中，“聽懂”需要語音識別（Automatic Speech Recognition, ASR）技術；“理解”需要自然語言處理（Natural Language Processing, NLP）技術；“回答”需要語音合成（Text To Speech, TTS）技術。三個步驟環環相扣，相輔相成。語音識別技術是對話互動的開端，是保證對話互動高效準確進行的基礎。

換個說法，在“人機”智慧互動過程中，人的語言要被機器識別、理解、再反饋給人，就是這個過程。語音識別是第一步。想到了什麼？比如現在的微信“語音轉文字”功能。此外，語音識別的應用場景其實非常廣泛，人機互動這個場景是很有想象力的，比如自動駕駛領域，甚至機器人、汽車人？想象下，你對汽車說“我要去哪”，汽車準確識別然後自動導航到目的地，是不是很有科幻感？（變形金剛？）

語音識別技術並不是這幾年才有的，自20世紀50年代開始步入萌芽階段，發展至今，主流演算法模型已經經歷了四個階段：包括模板匹配階段、模式和特徵分析階段、機率統計建模階段和現在主流的深度神經網路階段。目前，語音識別主流廠商主要使用端到端演算法，在理想實驗環境下語音識別準確率可高達98%以上。

在2018年的CES上，人工智慧作為未來科技最重要的技術，貫穿當年CES展示的幾乎所有領域。自動駕駛和語音識別是那一屆的亮點。而在2021年隨著自動駕駛的深入商業化，語音識別這項技術又被市場所關注。（備註：CES，國際消費類電子產品展覽會，始於1967年，是世界上最大、影響最為廣泛的消費類電子技術年展，也是全球最大的消費技術產業盛會。簡單來說，這個展覽每年都有最尖端的科技展示，而且是已經落地或者將要落地的商業化產品，很多改變你我生活的“黑科技”就從這個展會上展示給世人）

不過，在今年（2022年）CES上，視覺識別技術和語音識別一樣，同樣開始被科技公司所重視。比如這幾天的CES大會上，英偉達（Nvidia）釋出了基於DRIVE Concierge互動AI——NVIDIA Omniverse Avatar正式版，宣佈結束Beta測試，正式向用戶開放。

Omniverse Avatar能夠將語音AI、計算機視覺、自然語義理解以及搜尋引擎相結合，從而更精準實現語音需求。並且Omniverse Avatar還能夠對車輛上的每一位駕乘人員提供個性化定製。

以“做顯示卡”起家的英偉達早就瞄準了人工智慧、自動駕駛等最前沿的科技領域。在去年11月英偉達舉辦的2021年度GTC大會上，公司釋出了多款AI技術和產品，以及與元宇宙相關的虛擬化身平臺Omniverse（當時還是測試版）。而最新的財報也體現了很多細節。詳見筆者文章《元宇宙與人工智慧，是英偉達的“進階之路”嗎？》。

國內行業概況

上游：資料最關鍵，雲服務是載體。這裡都是大家耳熟能詳的科技網際網路公司，比如騰訊、阿里巴巴、百度。目前，主流語音識別公司的模型訓練和語音識別基本都在雲端採用GPU並行架構或異構計算方案進行。相關概念是：雲計算、邊緣計算、資料網路安全這些。

中游：主要為將語音識別技術實現商業化落地的硬體及軟體服務供應商。根據終端消費者型別，語音識別的中游廠商主要可以分為消費級市場和專業級市場，其中消費級市場中的主要語音識別產品包括消費級智慧硬體、智慧音箱及語音輸入法等，專業級市場的語音識別產品則主要以行業解決方案（以專案制交付的軟硬體產品及服務）和平臺化技術輸出（SDK或API形式的智慧語音開放平臺）兩種形式呈現，其中更為垂直落地的解決方案形式在目前專業級商業化收入市場中佔比更高。我們看上圖產業鏈概況，在中游裡，除了阿里和騰訊，出現最多的企業名字就是科大訊飛。

下游：從應用領域來看，目前消費級市場主要應用於智慧硬體、智慧家居、智慧教育、車載系統等領域，專業級市場主要應用於醫療、公檢法、教育、客服、語音稽核等領域。目前對語音識別的限制是環境的要求（安靜的環境，少噪音干擾）。

而從國內的行業情況來看，我國智慧語音市場呈現出頭部集中的競爭格局。中商產業研究院資料顯示，智慧語音全球市場業務規模前五名的公司所佔市場份額(CR5)達到了88%，中國市場CR5達到84.6%。

由於語言差異形成天然壁壘，全球智慧語音巨頭如Nuance、谷歌等在中國的市場份額有限。德勤公佈的資料顯示，中國智慧語音市場當中，科大訊飛以60%市場份額穩居第一，阿里、百度等為代表的網際網路巨頭佔據約20%市場份額。（Nuance：目前世界上最先進的電腦語音識別軟體Naturally Speaking就出自於Nuance公司。在國內更出名的是T9輸入法，從諾基亞時代過來的小夥伴或許更熟悉。T9全球市場佔有率超70%。）

科大訊飛

據去年12月底公告，公司將用20億元建人工智慧研發生產基地。具體來看，公司根據整體戰略佈局，為滿足業務快速發展、經營規模持續擴大的需求，保障公司長遠規劃及發展戰略實施，於2021年12月27日在合肥簽署《投資合作協議書》，投資建設人工智慧研發生產基地（一期）專案。

專案總投資約20億元，用地面積約300畝，建築面積約25萬平方米，其中固定資產投資不低於10億元。建設科大訊飛總部主要業務基地，包括教育業務、消費者業務、智慧城市業務、核心研發平臺、人工智慧開放平臺等。

首創證券點評：隨著公司在人工智慧領域不斷取得技術突破，持續為公司在教育、醫療、智慧城市、消費者等重點賽道開啟全新的市場空間。公司聚焦教育、醫療等重點賽道發力，其中基於AI技術的整體解決方案在教育賽道的商業模式已經成熟，長期成長可期。在市場規模持續擴大、產業體系加速構建的良好機遇下，此次投資專案為人工智慧產業高增長領域提供發展空間。同時，也將滿足人員規模的增長，激發創新主體活力，吸引產業人才。

據2021年三季報：前三季度實現收入108.68億元，同比增長49.20%；實現歸母淨利潤7.29億元，同比增長31.48%；實現扣非後歸母淨利潤5.15億元，同比增長512.91%，業績增長超預期。分季度來看，Q1、Q2、Q3公司收入分別增長了77.55%、29.82%、55.01%，三季度在2020年同期高基數的情況下實現高增長。

小結

智慧語音識別市場空間廣闊，整體市場規模有望在2025年達到875億元。從應用上來說，語音識別是實現“人機互動”的入口，無論是元宇宙還是自動駕駛，當下最火的概念都離不開語音識別。在這個人機互動的過程中，機器需要識別人的自然語言，變成機器能理解的，然後機器還要“翻譯”成人能聽懂的自然語言。

這個過程的背後，科技含量是很高的：需要資料的支撐，人工智慧、演算法的推進等。目前除了騰訊、阿里、百度等科技大廠外，科大訊飛是國內語音識別的龍頭，以60%市場份額穩居第一。據去年三季報，業績高增長。此外據Choice資料，科大訊飛在近半年內被23家機構評級為“買入”。

許螣垚