據(jù)蘋果14日提交的最新專利申請文件顯示，蘋果正在開發(fā)一種全新的方法，通過在未來版本的Siri或者其他系統(tǒng)中添加面部分析功能，來幫助Siri解讀用戶需求。這意味著Siri將來可能不僅懂得語音識別，在與用戶進行對話時，它甚至可以啟用設(shè)備的FaceTime攝像頭，來分析用戶面部表情，解讀用戶情緒。

蘋果官方稱，申請這一專利的目的是減少語音請求被Siri誤解的次數(shù)，試圖通過分析用戶情緒來進一步提高準確度。蘋果還提到：“Smart Apps可以代表用戶執(zhí)行操作，以回應(yīng)用戶的自然語言需求，但在某些情況下，可能會與用戶想要的操作并不符合。但是現(xiàn)在我們可以對視頻輸入中的面部圖像進行分析，通過識別形狀或運動來識別特定的肌肉或肌肉組織是否被激活”。

目前人工智能較為成熟的應(yīng)用之一就是圖像和語音識別。圖像識別是指利用計算機對圖像進行處理、分析和理解，以識別各種不同模式的目標和對像的技術(shù)。得益于數(shù)字化時代帶來的海量數(shù)據(jù)，加之機器學(xué)習(xí)方法的廣泛應(yīng)用，計算機視覺發(fā)展迅速。以往許多基于規(guī)則的處理方式，都被機器學(xué)習(xí)所替代：機器自動從海量數(shù)據(jù)中總結(jié)歸納物體的特征，然后進行識別和判斷。其已經(jīng)廣泛應(yīng)用到拍照識物、畫面增強、人機交互等各種領(lǐng)域，包括典型的相機人臉檢測、安防人臉識別、車牌識別等等。

神經(jīng)網(wǎng)絡(luò)圖像識別的發(fā)展，各類視覺識別的任務(wù)精度都得到了大幅提升。在全球最權(quán)威的計算機視覺競賽ILSVR上，千類物體識別錯誤率在2011年時還高達25．8％，從2012年引入深度學(xué)習(xí)之后，后續(xù)4年的錯誤率分別達到了16．4％、11．7％、6．7％、3．7％，出現(xiàn)了顯著突破。現(xiàn)在，人臉識別甚至能做到誤判率低于百萬分之一。

語音技術(shù)主要包括語音合成和語音識別兩項關(guān)鍵技術(shù)。讓機器說話，用的是語音合成技術(shù)；讓機器聽懂人說話，用的是語音識別技術(shù)。語音識別技術(shù)是指將人類語音中的詞匯內(nèi)容轉(zhuǎn)換為計算機可讀的輸入，例如按鍵、二進制編碼或者字符序列，與說話人識別及說話人確認不同，后者嘗試識別或確認發(fā)出語音的說話人而非其中所包含的詞匯內(nèi)容。此外，語音技術(shù)還包括語音編碼、音色轉(zhuǎn)換、口語評測、語音消噪和增強等技術(shù)。

科大訊飛作為智能語音識別領(lǐng)域的領(lǐng)跑者，在技術(shù)應(yīng)用中訊飛翻譯機3．0支持和7個領(lǐng)域的專業(yè)人士充分對話，覆蓋醫(yī)療、外貿(mào)、體育、金融、能源、計算機、法律等七大熱門行業(yè)的AI翻譯，同時支持粵語、四川話、東北話、河南話等中文方言與英語的互譯，普通話與維語、藏語的即時互譯。另外，即使是方言口音的英語，訊飛翻譯機3．0也能識別。

語音識別技術(shù)從客服到智能家居，再到移動手機端和車載環(huán)境等多方面具有廣泛的應(yīng)用場景。但語音識別還是有一些缺點的。語音隨時間而變化，所以必須使用生物識別模板。語音也會由于嗓音沙啞、情緒壓力或是外界環(huán)境影響而變化。語音識別系統(tǒng)比指紋識別系統(tǒng)有著較高的誤識率，因為人們的聲音不像指紋那樣獨特和唯一。

目前圖像與語音識別技術(shù)其很大程度上還是處于識別和歸類的層面，想要透過表層的識別去進行深層的情緒認識和理解，進而優(yōu)化人機交互的體驗，尚需時日。