报告发布方：中金企信国际咨询《2024-2030年人工智能语音语言市场竞争力分析及投资战略预测研发报告-中金企信发布》

中金企信国际咨询相关报告推荐（2023-2024）

《2024年全球及中国高速网络总线市场容量发展预测研报（含地区占比趋势及企业竞争分析）-中金企信发布》

《2024版全球及中国移动机器人行业研究预测报告-企业占有率、市场规模、下游应用、竞争分析、发展趋势-中金企信发布》

《全球及中国高速智能互联芯片市场全景调研报告（涵盖市场分析及重点企业竞争分析）-中金企信发布》

《全球及中国以太网交换芯片市场发展深度调查及企业发展规划建议预测（2024版）-中金企信发布》

《市场占有率认证：预计至2025年中国以太网交换芯片总体市场规模将达到13.4亿元-中金企信发布》

项目可行性报告&商业计划书专业权威编制服务机构（符合发改委印发项目可行性研究报告编制要求）-中金企信国际咨询：集13年项目编制服务经验为各类项目立项、投融资、商业合作、贷款、批地、并购&合作、投资决策、产业规划、境外投资、战略规划、风险评估等提供项目可行性报告&商业计划书编制、设计、规划、咨询等一站式解决方案。助力项目实施落地、提升项目单位申报项目的通过效率。

1.人工智能语音语言行业基本概述

1）定义

人工智能语音语言技术即实现人与机器以语言为纽带的信息处理技术，人机对话通过对声音信号的音频采集与信号处理将语音转化为文字供机器处理，在机器进行语音识别与语义理解后、再进行对话管理、自然语言生成并通过语音合成技术将文本语言转化为声音进行输出，最终形成完整的人机语音语言交互。

2）发展历程

1952年，AT&T贝尔实验室成功研究出世界上第一个语音识别系统Audry，标志着智能语音语言技术发展的开始。至今智能语音语言技术已经历经了近70年的发展，经历了技术萌芽期、起步期、变革式发展期、落地可用期共四个发展阶段。

技术萌芽期（1950s-1970s）：Audry作为第一个语音识别系统，可以识别10个英文数字发音，该系统基于简单的模板匹配方法识别个体说出的孤立数字，在此之后，连续语音识别系统开始出现。语音合成的参数合成法能生成比较自然的语音。同一时代，以有限自动机和正则匹配理论为基础的文字处理技术出现。以乔姆斯基的文法和句法结构为代表的理性主义方法，和以香农信息论为代表的经验主义方法都发展起来。出现了一些极为简单的翻译、问答和聊天系统，但都无法实用。

起步期（1980s-2011）：在此阶段初期，随着算法模型以及微电子技术的发展，语音识别领域取得了突破性进展。隐马尔科夫模型（HMM）逐渐成熟和不断完善，开始成为语音识别的主流方法，语音识别转向基于概率统计建模的方法，同时神经网络在语音识别中的应用研究兴起。此后语音识别技术逐渐走向实用化，许多具有代表性的产品问世，例如IBM研发的ViaVoice系统，Dragon公司研发的DragonDictate系统，都具有更好的自适应性，能够在使用过程中不断提高识别准确率。2009年，Hinton将深度神经网络（DNN）应用于语音的声学建模，取得了在语音识别方面的重大突破，使语音识别的准确性得到显著改善。与语音技术基本同步，这一时期的自然语言处理技术的发展，也出现了数据驱动的统计模型逐渐占据主流地位的趋势。从概率模型到支持向量机，从线性分类器到神经网络，大量数据驱动的技术被应用到自然语言处理领域，产生了一系列重大成果。这一阶段中，理解、翻译、问答、对话系统等都在限定的范围内逐步实用化。

变革式发展期（2011-2016）：2011年，微软研究院又将DNN技术应用在大词汇量连续语音识别任务上，极大地降低了语音识别错误率。2016年，微软AI团队在产业标准Switchboard语音识别任务上，取得了当时产业中最低的5.9%的词错率（WER），5.9%的词错率等同于专业速录员速记同样一段对话的水平，这代表着机器的语音识别准确率第一次达到人类水平，智能语音语言技术开始逐步落地。这一时期中，以连续词向量、循环神经网络语言模型为代表的一系列深度学习技术，进一步大幅推动了自然语言处理技术的发展，复杂场景下的自然语言处理的性能显著改善。

落地可用期（2016-至今）：端到端的语音识别开始广泛应用，准确率进一步提升，且针对远场的语音识别和唤醒得到进一步发展，全双工语音交互开始出现。此阶段语音识别的准确率可达98%以上，且能根据实际应用痛点针对性优化。大数据驱动的预训练语言模型的出现，使得自然语言处理技术在这一阶段又上了一个台阶，众多小数据、跨领域的迁移学习技术也应运而生，自然语言处理的技术覆盖范围进一步加强，在产业中得到广泛深入使用。

2.人工智能语音语言市场产业链情况

人工智能语音语言市场的产业链可依据关键技术拆分为六大环节，各个环节又可以进一步归集为声学、语音感知、语言认知三大模块。音频采集与信号处理环节是智能语音语言交互的起点，当前的核心在于回声消除、噪声消除、声源分离、提升远场和复杂声学环境下语音唤醒和识别的准确率等关键技术；语音识别是把语音信号转变为相应的文本或音频类别的过程，当前的核心在于声纹技术、口音适应能力、情绪识别能力、端到端识别、低功耗识别等；语义理解是通过自然语言处理等方式使机器理解语言的过程，当前的核心在于口语语义理解问题、对话关键信息抽取、知识提取及结构化等；而对话管理是以多轮交互为核心的一系列自然语言认知技术的综合，是人机对话系统中的理解、决策和知识中枢，当前的核心在于实现多模态、全双工交互，增强机器在多任务、全场景、全领域的灵活对话能力；知识图谱是现实世界知识的一种表达方式，当前的核心在于知识图谱构建、问答推理等；语音合成即从文本到语音，让机器具备“说话”的能力，当前的核心在于使机器能够实现自然声音、高表现力、小数据复刻转换，以及方言及多语种的语音表达。

人工智能语音语言行业内的大部分公司只专注于产业链的单个或部分环节，少有公司能拥有覆盖产业链各环节的技术、产品与服务，当前国内人工智能语音语言行业的公司大约有400余家，仅有极少数可以实现全产业链覆盖。

3.人工智能语音语言行业行业结构与市场规模

1）行业结构

据研究，在疫情的催化下，各行业智能化应用迎来需求拐点，进入需求爆发期。预计2030年消费级应用场景总的发展空间将超过700亿元。智能家居、智慧驾驶、智能办公等企业级场景在疫情的催化下加速发展，市场需求不断扩大，发展空间预计即将达到千亿规模。

2）市场规模

智能语音语言技术使得人类的生产及生活方式逐步改变，基于智能语音语言技术的人机交互产品在接收用户的声音等信息后，能将用户意图转换为机器可以理解和进一步处理的内容，从而帮助用户解决问题或完成特定任务。其中，对话式机器人可以降低人力成本，减轻人工工作量，提高工作效率，解决用户客服、营销、质检、呼入、呼出等需求；搭载人机对话交互功能的消费级智能硬件，例如智能家电、智能车载、智能可穿戴设备等，能够通过语音语言交互的方式，提供更丰富的设备交互功能，提升设备操控便捷性。据测算，2020年我国对话式人机交互核心产品的市场规模达到58.50亿元，带动相关产业经济规模达486.90亿元，预计2025年核心产品规模达到237亿元，带动相关产业规模达到1,525亿元。

数据整理：中金企信国际咨询

人工智能与实体经济的结合越来越多，与应用场景的深度结合将产生更大的商业价值，近几年，人工智能语音语言技术在各行业的应用已十分广泛，下游领域包括家电、汽车、消费电子、金融、物流、房产、政务、医疗等。2020年智能语音语言技术在各垂直行业应用的核心产品规模达到57.70亿元，带动相关产业规模达317.70亿元，预计2025年核心产品规模达到159.10亿元，带动相关产业规模达到875.10亿元。

数据整理：中金企信国际咨询

4.智能语音语言行业未来发展趋势

1）全双工语音出现，人机交互朝着更自然、更顺畅的方向发展

全双工是通信学科中的一个术语，意为允许数据在两个方向上同时传输，应用在智能语音语言行业，即为实时的、双向的语音信息的交互，这是人们进行即兴自由交互情境下的对话模式。目前市场上大部分产品只能满足单轮交互或多轮交互，单轮交互的情景下，用户每次都需要使用唤醒词开启交互，使得人机对话非常割裂；多轮交互的情景下，用户只需一次唤醒，在机器判断任务尚未完成时，会持续的接收用户发出的语音信息，待到机器判断单次任务完成后，再综合信息进行分析并做出回应，但在多轮交互中机器仍不能做到接收信息和发出语音同步进行。区别于单轮交互与多轮交互，全双工可以做到“边听、边想、边说”，在接收语音信息的同时进行思考，并实现动态的预估，进而以更快的速度进行回答，使人机交互更自然、更流畅；同时，全双工语音还可做到节奏控制，根据用户回答内容的重要性，决定打断还是继续倾听，是先完成上一个问题还是先回答用户的追加问题；此外，全双工语音还能进行场景理解，识别用户当前是否在与AI进行对话，并根据不同对象、不同场景进行音量、语气等方面的调节。未来，智能语音语言的应用场景越发多样化，应对的环境状况越发复杂，全双工语音的优势将会越发凸显，并成为智能语音语言行业的主流交互方式。

2）优化人机交互体验，多模态交互成为必然趋势

人类在交互过程中并非孤立地依据声音、表情及动作中的单项进行沟通与交流，而是综合视觉、听觉、触觉甚至嗅觉来进行有效的沟通。同理，要使机器做到更加逼真的“拟人化”，就需要通过语音、视觉、文本等信息结合的方式来推动人机交互的优化与升级。例如，在复杂声学环境尤其是多人同时说话的时候，语音识别性能会显著下降，此时若引入视觉信息对讲话者进行唇语识别，综合语音和视频信息则可以大幅提升说话人跟踪和语音识别准确率；又例如，在人机交互过程中，机器通过采集用户的表情、说话语气，甚至脚步的频率和急缓程度，可以分析用户的情绪状态，以采用不同的方式推进交互，提高人机交互的交互效率与质量。应对人机交互场景化应用不断拓展的市场需求，多模态、智能化的完整解决方案可以更好地应对不同场景的复杂变化，多模态交互成为行业发展的必然趋势。