机器可以理解人类的“喜怒哀乐”吗

　什么样的技术可以支持人与机器的沟通？

　 语音的这几项技术，其实是人工智能的一部分。在今后很短一段时间内，人类会进入到这样的时代：也许你看不到，但是你背后所拥有的、享受的服务，做的各种各样的东西，背后都有智能的技术在支撑。

　 首先从交互方式上来看，逐渐代替了键盘+鼠标的交互模式。比如家里的机器人和智能硬件设备，不可能接入键盘或鼠标来控制，就算是按键的交互方式也不够友好。

　 语音交互的出现，使机器人和智能硬件有了一种全新的交互模式，降低了用户使用门槛。

　 目前这项技术尚处于实验室阶段。判断情感，不仅仅靠语音的语气，还要结合语音的文本来一起做判断，这样会更加准确。

　 机器人可以通过声音来进行情感识别，比如科大讯飞当前已经做到了能够识别兴奋、悲伤、生气、难过。

　 只要人说一句话，我们通过后台算法和模型的处理，就知道当前用户的情感。这些是基于海量的用户数据标注，再经过大数据的归纳总结后得到的一个情感判断模型。目前我们实验室内情感判断准确率达到80%。

　 同人相比，机器人判断情感更多是结合各项数据来做判断。如果机器人仅仅靠声音来判断，那么肯定会有误判的情况出现。而人不同，人会观察对方的表情、姿态、手势，能听到对方的声音信息，再结合自己对对方的了解程度来做综合判定。

　 所以说人去判断情感，是多模态综合的方式去判断。目前机器人还做不到这点。

以方言为例，中国地域广阔，同一个省份就有很多种方言，而要对方言进行识别，需要有大量的数据积累才能把方言识别做到很好。

　 此外，一个人在说普通话的时候，可能会夹杂着自己的方言，这就需要用识别算法去适配这个用户的声学模型。在解决人机交互方面，语音交互只是一种手段，还有很多其他的交互手段和方式。

　 第一是图像识别。语音+图像可以解决很大一部分交互问题。比如在一些嘈杂或要求绝对安静的环境下，语音无法促成人机交互，这个时候就需要图像识别。但是图像识别目前还不能做到非常高的可用性，需要进一步发展。

　 第二是语义。交互的最终目的，还是要理解用户的意图，给出正确的响应。而对用户意图的理解需要结合各个方面的内容。

　 包括用户自身的历史信息、用户的教育程度、用户当前的状态信息、用户的标签、心理学社会学等等，只有这些所有的信息输入人工智能系统中，才能获得最好的响应。而这个过程是需要不断优化和迭代的。

　 第三是原始数据的获取。这里原始数据获取包含很多方面，比如获取用户说的声音，获取用户的体温、心率，获取用户的手势和姿态等等。只有能够精确获取到这些原始数据，才能让后续的计算处理更加可靠。