谢邀。利益相关,语音从业者。
“整合了包括语音识别(ASR)、语音合成(TTS)和自然语言理解(NLU)技术甚至图像、人脸和声纹等多项顶尖人工智能技术”,我相信他们有这些技术,至于是不是顶尖的,不评论。但是,这些技术和最近疯传的那个视频并没有什么卵关系。当前的 ASR 和 NLU 能不能做到视频中的水平,我就不评论了。即使不做语音这行,每天接触到的灵犀、Siri、小娜这些已经代表了当前这两项技术的顶尖水平,你们可以自己对比判断。就是那所谓的 TTS,一耳朵就听出来根本是后边人说话,过了一道变声而已,变声是很简单的技术,风靡一时的汤姆猫就是基于它的。网上有开源的库 soundtouch,有兴趣的可以自己玩玩。另外,中文语音合成的老大科大讯飞的 TTS 效果,你们应该都听过,很容易听出和真人说话的差别。根据恐怖谷理论,当人造的东西做得越接近真人时,它仅有的那一点差距就会显得越显著。视频里那声音,虽然经过了变声,但其发音、韵律明显不是合成出来的。
@莫英华 说的“机器人有一定的语音自动应答功能,就像siri,但能连接远程客服作为智能化的补充”是对的,不过宣传文案里大力强调其人工智能技术多么多么牛逼,宣传视频里却是人肉智能的演示,呵呵。