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

讯飞语音开发平台 云知声语音开发平台

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

讯飞语音开发平台 云知声语音开发平台

---

讯飞语音服务

---

腾讯云语音

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

腾讯云产品总览 腾讯云语音识别功能 腾讯云语音合成功能-场景 腾讯云语音合成架构

---

百度语音

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”)

自定义语义
语义数据结构
导出唤醒词

搜狗语音云

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"