全球各地的家庭正快速采用对话式用户接口 (CUI) 技术，也就是我们熟知的 Siri、Alexa、Cortana 及 Google Assistant 等语音助理背后的技术。报导指出 2017 年具有语音功能的机器出货量达到 2,400 万部，而且仍在持续成长。随着这些装置逐渐问世，用户立即发挥它们的最大潜力，创造出越来越多的连网家庭。 话说多了会出毛病? 键盘渐渐不再是主要的输入设备，如果只要说出问题或指令即可，又何需打字呢？但这项技术也带来一些新问题，包括如何操纵语音数据，以及如何破解这些装置。既然这些智能装置负责控制部分居家功能，想当然尔，会产生关于隐私与<a href="https://www.iothome.com/tech/voice/2017/0911/%3Ca%20href=" https:="" www.iothome.com="" '="" target="_blank" style="padding: 0px; margin: 0px; outline: 0px; zoom: 1; text-decoration-line: none; color: rgb(11, 59, 140); font-family: 微软雅黑, 黑体, Arial; font-size: 16px; white-space: normal; background-color: rgb(255, 255, 255);">https://www.iothome.com/' target='_blank'>安全的疑虑，它们可接收对话内容，并将其记录下来，造成严重的隐私问题。 根据近期事件显示，即使是合法的公司也在寻找特殊方法，滥用这些装置对于声音的灵敏度。其中一则案例与一家广受欢迎的快餐连锁店有关，该连锁店制作一则广告，刻意触发Google智能助理的口令:“OK, Google”，使家里有Google的智能管家Google Home的观众,自动启动语音助理回答装置,搜寻并念出该产品在维基百科上的介绍。，虽然公然地利用这些装置并不违法,除了使用者反弹, 窜改汉堡王的维基百科页面，并把华堡的内容物被加入“老鼠肉”、“脚趾甲片”等副作用外,新技术领域意味着没有规则可以管理这些装置的使用。  恶质男友呛声,竟意外地让女友从枪下逃生 另外有些事件，是这些装置意外录下一些信息或执行指令，竟意外地解决一场争端,与同居人争吵的男子, 拿枪指着女友并问：“你打电话给警察了吗？“Google Home 显然听到了“打电话给警察”，然后就执行了这项指令。911在电话背景中听到了争执,警察实时赶到阻止了可能的悲剧。 但也有不好的部分。在制造商部分，他们可以收集并储存数据，并建立可能有安全疑虑的使用者个人资料。当然，总是会有恶意攻击者尝试利用最新技术进行入侵，或寻找新的方式窃取个人资料。此信息图表详细说明这些装置可能遭入侵的各种方式，同时为使用者与制造商建议一些最佳的实务做法。这项技术为使用者提供便利性与许多其他好处，但对于连接至住家的任何装置而言，安全与隐私都是最重要的议题。 使用者可采取正确的做法并安装安全解决方案，以保护其具有语音功能的装置。Trend Micro™ Home Network Security 具有网站防护与深度封包检测功能，足以保护联机至路由器的智能语音助理，并提供网关解决方案，可在潜在威胁进入住家之前予以排除。来源： 物联之家网

根据研究机构Juniper Research的一项最新研究发现，美国到了2022年家庭安装类似亚马逊Echo，谷歌Home和Sonos One等<a href="https://www.iothome.com/tech/voice/2017/1114/%3Ca%20href=" https:="" www.iothome.com="" '="" target="_blank" style="padding: 0px; margin: 0px; outline: 0px; zoom: 1; text-decoration-line: none; color: rgb(11, 59, 140); font-family: 微软雅黑, 黑体, Arial; font-size: 16px; white-space: normal; background-color: rgb(255, 255, 255);">https://www.iothome.com/' target='_blank'>智能喇叭的数目将超过7000多万，占全美所有家庭数的55%。总安装装置将可超过1.75亿。 Juniper Research进一步预测，到了2022年，所有平台（包括智能手机，平板计算机，个人计算机，喇叭，连网电视，汽车和穿戴式装置）都将内建语音助理，这些装置在美国可达8.7亿台，比起2017年的4.5亿台，还要增加了95%。 随着联网家庭的成长，许多应用，软件和服务将陆续出现，顾问公司麦肯锡认为随着语音控制和人工智能的进步，智能助理现在成为联网家庭的一个控制中心。根据麦肯锡的数据显示，智能联网家庭（Smart Connected Home）的数量已经从2015年的1700万上升到2017年的2900万，成长31%。 Gartner认为智能喇叭由于能够提供运行基于因特网的应用程序和服务，这使得其能够帮助亚马逊、谷歌、苹果甚至三星等公司巩固其在智能家居产业的地位。 不过，现今的营运模式仍处于摸索阶段，因为这些公司如何从语音助理中获得营收，就变得很具挑战性。现在除了硬件本身的成本结构而获得微薄利润之外，公司根本无法将免费提供的语音助理服务中获利。未来初步最有可能的方式是，在不同公司的语音助理生态体系下，向开发人员收取语言处理费用，以及根据自己独特营运模式来获利。                              图、2017-2022年内建语音助理之平台装置数量预估然而，Juniper Research认为透过广告获得语音助理服务之外的最大营收来源，也是机会之一。其预计到2022年全球透过语音助理获得之广告支出将攀升至190亿美元。简单来说，透过语音搜寻将是广告客户未来不得不采取的战略，可是这种战略必须建立在一个提供讯息和品牌的声音战略。可是消费者是否能够接受一个透过来自语音助理的广告模式，仍具模糊性。 对于亚马逊来说，可以透过Alexa平台带来语音购物与其他平台服务的营收。RBC Capital Markets的研究指出，亚马逊Alexa平台到了2020年可以为其带来100亿美元的营收。 Trefis却认为从语音助理获得之数据能够改善谷歌网络广告能力，并发掘人们行为趋势，进而让谷歌得以进行个性化广告。如果一切顺利，谷歌的硬件结合谷歌助理能够将其营收多增加10亿美元。 从这里可以看出，语音助理在未来几年将帮助大型科技公司占领智能家居的有利地位，进而改变人们生活型态。来源： 物联之家网

语音处理技术的进步，是人工智能改变大众的生活的重要一环。深度学习技术的兴起，也让这一领域近年来得到了长足的发展。在过往，该领域的主要方法是为不同的任务开发不同的工具包，对于使用者来说，学习各个工具包需要大量时间，还可能涉及到学习不同的编程语言，熟悉不同的代码风格和标准等。现在，这些任务大多可以用深度学习技术来实现。此前，开发者常用的语音工具有 Kaldi、ESPNet、CMU Sphinx、HTK 等，它们各有各的不足之处。以 Kaldi 为例，它依赖大量的脚本语言，而且核心算法使用 C++ 编写，再加上可能需要改变各种神经网络的结构。即便是拥有丰富经验的工程师，在调试的时候也会经历巨大的痛苦。秉承着让语音开发者更轻松的原则，Yoshua Bengio 团队成员 Mirco Ravanelli 等人曾经开发了一个试图继承 Kaldi 的效率和 PyTorch 的灵活性的开源框架——PyTorch-Kaldi，但据开发成员本人认为「还不够完善」。转载自https://www.jiqizhixin.com/

图片来源：https://pixabay.com/photo-2095800/  根据Voicebot.ai于2019年宣布了关于车载语音助理的报告，针对1,040名美国成年人的问卷调查，以了解语音助理使用于汽车的趋势。近年来，随着智能手机逐步成为美国成年人的必需品，使得许多人在车上不只有讲电话，甚至回复简讯，因此，美国许多州法律规定，在开车时，不准驾驶使用手机，因此透过语音助理在汽车中操作就成为重要的关键功能。 根据调查问卷显示，美国成年人口有4570万人每月使用45%的智能音箱，可是却高达7700万人每个月使用语音助理。与家中的智能音箱相比，语音助理导入车内似乎是更棒的使用体验。在使用率方面，智能音箱仍占据93.3%的使用比例，其次是智能手机的65.8%，至于在汽车内也高达50.1%。 那么，人们如何在汽车中使用语音助理呢？根据调查显示，车载系统通过蓝牙连接到智能手机的情况和最初安装在汽车上的情况超过30%。其中，苹果的CarPlay比例是20.7%，谷歌的Android Auto是9.5%紧随其后。 在年龄方面，年龄在30岁至44岁之间是使用车载语音助理比例最高的族群，占据33.5%。在收入方面，年收入在15万至20万美元之间族群使用率为69.2%。 每月至少使用一次车载语音助理的人的比例高达67.5%。每天使用的用户也达24.2%。只有3.6%表示他们只是尝试后再也没有使用它。 在汽车行驶的过程中，使用语音助理的最大目的是打电话，高达是73.7%，其次是汽车导航达50.3%，简讯传递与回复为41.2%，播放音乐为28.7%，查询附近餐厅比例为17.6%。 近年来，厂商都逐步在改善语音助理，有高达24%的人认为改善很多，27.2%比例认为有些许进步，23.8%比例认为没甚么变化，只有2.8%的人认为语音助理变得更糟糕。 那么，语音助理的存在是否会影响消费者下次购车的决定呢？大约60%的汽车购买者认为，未来拥有语音助理的汽车是选购车的重要依据。此外，25%的购车者认为，只是重要的考虑因素之一。 Voicebot.ai还发现，进入2019年之后，有高达57.6%的人认为车载语音助理的使用比例会愈来愈高，只有4.0%以负面态度看待。毫无疑问的，2019年起，车载语音助理的使用比例将不断攀升，而且会成为愈来愈重要的汽车标准配备之一。来源： 物联之家网

图片来源：https://pixabay.com/images/id-2937627/ AI（人工智能）时代来临，消费性电子产品中，首先受惠的就是智能音箱；根据国际研究调查机构Canalys调查发现，2018年，在亚马逊、Google、阿里巴巴、小米、百度智能音箱产品大量出货带动下，智能音箱市场2018年呈现爆发性成长态势。 Canalys指出，2018年全球智能音箱出货量达7800万台，较2017年的3470万台成长125%。2017年时，亚马逊智能音箱产品几乎是独霸市场，全球市占率高达63.4%，而Google智能音箱2017年市占率则为32.2%，亚马逊、Google堪称市场两大龙头。 亚马逊续称霸 不过，这样的情况在2018年完全扭转，亚马逊智能音箱出货量虽然仍是全球冠军，但是市占率已从2017年的63.4%下降至31.1%，Google智能音箱产品2018年虽然明显成长，但因为市场竞争激烈，市占率略微衰退，由2017年的32.2%下降到30%，中国厂商急起直追，阿里巴巴、小米、百度一跃而上，全球市占率分别拿下11.4%、9.1%、4.6%的成绩。  亚马逊智能音箱Echo不断推出新功能，成为圣诞旺季最受欢迎的产品之一，这也推升亚马逊智能音箱去年第四季出货量明显成长，Canalys分析师Jason Low指出，随着Echo市场接受度逐步成长，亚马逊也将Alexa语音系统扩及汽车领域，找到新商机。 经过两年发展，智能音箱产品明显由互联网服务业者、软件公司拿下主导权，Jason Low进一步指出，三星、华为、苹果虽然是全球领导智能装置厂商，但这些公司并没有在智能家居系列产品中善用语音助理功能，没有善用语音助理带来的风险之一，就是未能在智能家居领域拿下明显市占率，汽车、工作领域的语音助理渗透率恐怕也会同步受到影响，语音助理市场先发优势尤为重要，也唯有建立用户群，相关业者才能在这个市场取得长期成功。来源： 物联之家网

图片来源：pixabay自从2014年Amazon发布Echo之后，跨国科技企业，如Apple、Facebook、Google、Microsoft、Samsung及一些较小的公司都随之跟进，并在平台上推出各自的数字助理。随着越来越多的数字智能助理整合第三方的APP与功能，使得数字助理的实际应用越来越贴近消费者需求，并能以B2B的方式运作，但语音助理面临着如何让平台盈利的关键挑战。以早期的发展的状况来看，小型参与者注重于语言课程的训练，但仅少数能与整体环境兼容。研究主要是强调，当这项新技术变得更为主流，不同领域的企业参与此技术发展的可能性。 兹整理Juniper Research论述语音助理发展报告，将分成两方面进行探讨：数字语音助理的组成与盈利策略。 一、数字语音助理的组成 从技术角度来看，以语音接口作为数字助理已是一种常见且成熟的技术，麦克风、处理器、云端运算与喇叭皆是多数装置的共同基本配备。数字语音助理的目标是提供流畅的语音服务，然而第一代独立式数字语音助理及其装置已成为过去，为了确保应用程序顺利运行，第二代数位语音助理必须包含多种明确地附加功能。 二、数字语音助理的盈利策略： (一)  聊天<a href="https://www.iothome.com/tech/voice/2019/0803/%3Ca%20href=" https:="" www.iothome.com="" '="" target="_blank" style="padding: 0px; margin: 0px; outline: 0px; zoom: 1; text-decoration-line: none; color: rgb(11, 59, 140);">https://www.iothome.com/tech/ai&ml/' target='_blank'>机器人 聊天机器人被许多产业认为是一种在网络上与顾客互动的自动化方式，包括：零售、电子商务、金融与医疗保健研究等产业。 聊天机器人和语音助理间具有很多的潜在重迭，因都需要类似等级的自然语言处理执行其功能。从纯文本(Text-Based)的输入到语音的转变，并非简单的过程，虽许多任务的底层程序设计是相同的，但需要额外的程序设计进行处理。 (二)  广告 数字助理可透过软件授权，直接在B2B环境中实现盈利，并成为盈利服务的网关。但数字语音助理厂商提供的付费型顾客服务却很少，对APP开发者来说，助理本身是服务的网关，而非付费的服务。 在付费搜寻(Paid Search)领域中数字语音助理的发展机会，是与其他广告平台使用相同的方式，出售特定顾客的信息，并以更高的价格售出，因选项列表较短，而有较高的转化率。但以此种方式盈利是有些限制的，因为并非所有对语音助理提出的要求皆能被用于盈利，但仍须提供相关信息服务。 为了将这些顾客要求转为公司盈利来源，公司最终将成为提供结果的产品公司，并以此作为品牌形象的一部分。类似于Google Answer Box的语音系统，能透过将付费广告显示于搜索页顶端的方式盈利。(三)  付费搜寻的收益 对于数字语音助理的询问，多以搜寻的方式呈现。对于那些自己经营前端助理的公司来说，将会透过一种付费搜寻广告的形式，以实践盈利。由于语音需求可能仅提供几个有限的选项，其搜寻结果的转换速率将更高，因此应该高于纯文本付费搜寻的收费率。 另外，这不仅局限于拥有自己搜索引擎的业者，Juniper预期手机广告公司将扩展语音实时搜寻的功能。这须将用户帐户与装置链接，装置将因此能连接用户的历史搜寻与偏好。正如专门研究各种新媒体(如：虚拟现实)的广告公司一样，语音搜寻的新兴技术公司将会大量兴起。 然而，这还有一段路要走，数字语音助理的广告发展，目前仅限于APP中的传统横幅广告，或内建于智能手机的语音助理软件，这些仅有语音的基础背景，都还未成气候，这意味着，市场参与者需要一些时间调整非侵入性的形式。来源： 物联之家网

图片来源：https://pixabay.com/images/id-2937627/ 在短短几年内，苹果的Siri，亚马逊的Alexa和谷歌智能助理已经从虚拟的未知转变成家喻户晓的AI语音助理。随着这些语音助理继续在智能手机和智能音箱上获得关注，语音助理市场正处于快速扩张期。换句话说，随着人工智能技术的加入，语音控制技术已经从早期探索者阶段转移到主流转折点的阶段。 根据eMarketer预估每一月至少使用一次语音助理的美国人口将达到1.118亿人，这比起2018年的1.02亿人又增加9.5%。这一个数字相当于美国互联网用户的39.4%和美国总人口的33.8%。到2021年，美国语音助理用户数量将达到1.227亿，占美国互联网用户的42.2%和美国人口的36.6%。 人们使用语音助理的原因各自不同，现在也随着厂商不断推陈出新的应用，让其触角延伸至更多领域。根据2018年8月进行的Social Lens Research研究，语音助理的最重要任务包括获取行车路线、打电话、听音乐和寻找附近的商店等。 从使用语音助理地人口角度切入，发现2019年美国将有5760万女性和5420万男性成为语音助理用户。这相当于全美有高达34.4%的女性和33.3%的男性，每一个月至少会使用语音助理一次。虽然早期研究发现，使用语音助理的女性高于男性，但是近年来使用语音助理的男性却正在加速当中。 现今，大多数人使用语音助理的装置主要于智能手机和智能音箱之上。其中，使用智能手机内的语音助理比重仍高于其他装置。毕竟，美国智能手机的普及率已经达到70.5%，而且现在大多数手机型号都配备语音助理。 至于智能音箱，随着亚马逊Echo与谷歌Home的装置销售量不断增加，使用人口当然也在增加当中。eMarketer预测2019年美国将有7760万用户家中至少拥有一台智能音箱，占美国互联网用户的27.3%和美国人口的23.5%。到2021年，这一数字将成长到8870万用户，占美国互联网用户的30.5%和美国人口的26.5%。 随着时间的推移，以及厂商不断进化的人工智能能力，都将让语音助理软件进入装置的范围变得更广泛，包括汽车，穿戴式装置，智能电视，家用联网电器和其他连网装置，因此推升语音助理用户的数量将逐步扩散开来，而达到关键的引爆点。来源： 物联之家网 

图片来源：https://pixabay.com/images/id-3332163/语音助手塑造了我们与设备的连接方式。它们允许用户通过语音命令订购食物、播放音乐、管理日历、设置闹钟、预订出租车等。得益于Alexa 技能和语音用户界面（VUI），它们提供了一种直观的方式来促进人机交互。 由于数字语音助理在提升用户体验方面具有巨大潜力，因此几乎所有行业的企业都在VUI和Alexa 技能开发人员方面投入大量资金，以创建最好的语音支持解决方案。随着时间推移，包括零售、医疗保健、食品等行业正在利用这一技术进步来提供最佳的消费者体验。 在这里，我们将讨论这些具有语音功能的解决方案如何通过将客户体验提升到新的高度来革新业务。 语音系统对客户体验的影响 用户平均每天花2-4个小时在手机上。在移动用户占大多数的情况下，企业必须采用语音技术来提升用户体验。语音系统包括专门为智能人工智能扬声器设计的Alexa 技能，或者将语音助理与应用程序结合。该解决方案中使用的核心技术是自然语言处理(NLP)，它允许设备识别人的声音并做出相应的响应。 企业使用语音解决方案来丰富客户体验并提高转换率的一些创新方法是： 免提烹饪助手 雀巢是全球最大的跨国食品和饮料公司，它拥有一个名为“GoodNes”的Alexa技能，该技能与可视指南集成在一起，该指南连接用户设备上的web浏览器，以提供可视语音浏览。顾客可以使用Alexa技能通过发出语音命令来搜索食谱，并通过语音和视觉形式获得的结果来准备饭菜。 语音订购系统 多米诺（Dominos）是全球著名的披萨连锁餐厅，它推出了一项Alexa技能，该技能使顾客无需在屏幕上点击即可下达比萨订单。除了下订单之外，他们还可以重复上次/最喜欢的订单、跟踪他们的订单、致电送货人员等。 简化招待 最大的连锁酒店Marriot Hotels已将Alexa技能整合到其Amazon Echo设备中。客人使用这些技能来控制房间温度、打开/关闭灯、关闭窗帘等。因此，支持语音的系统有助于酒店通过改善服务来提升客**验。 家庭保健 Libertana家庭保健最近推出了针对老年患者的Alexa技能。这项技能具有多种有用的功能，例如向患者家人发送患者健康状况的通知、确保患者按时服药等等。 财务/资产管理 美国的一家银行控股公司Capital one引入了Alexa技能，为客户提供个人财务和交易的端到端管理。它消除了始终跟踪其资产的麻烦。因此，其他主要银行也计划利用Alexa技能来提供类似以消费者为中心的服务。 总结 除了上面的例子之外，还有很多有用的Alexa技能用于不同的行业，以提高消费者体验。 由于客户满意度至关重要，因此所有行业的企业都应该采用语音系统，以增强客户体验，并在这个竞争激烈的时代蓬勃发展。另一个需要注意的方面是，与经验丰富的Alexa技能开发人员接洽，以开始您的语音之旅，并为您的业务创建无缝的智能语音解决方案。来源： 物联之家网

图片来源：https://pixabay.com/images/id-4758340/人工智能已经真正改变了智能语音助理在我们日常生活中的使用方式，而我们才刚刚开始了解它们。 一份又一份报告预测智能语音助理将会快速发展，这意味着这些物联网设备背后的工具和技术正在塑造技能互联网。这些新一代智能工具和技术可以促进零售、物流、医疗保健、智慧城市、制造业和自动驾驶汽车等领域的增长。 普华永道（PWC）最近的一项调查显示，智能语音助理在过去十年中已被广泛应用，未来，它们将继续塑造我们的生活和工作。以下是报告中的一些数字： ▲90％的人认可智能语音助理▲72％使用智能语音助理▲57%的语音命令来自智能手机▲27%的语音命令来自智能扬声器▲20％的语音命令来自车辆导航系统 此外，在18-24岁的青少年中，语音辅助技术的采用率最高。但使用智能语音助理频率最高的年龄段是25-49岁，其中65%的人被认为是“重量级”用户，每天至少向设备发出一次语音命令。 更重要的是，让我们考虑一下今天语音助理的用途。根据普华永道的调查，人们要求语音助理执行的最常见任务是在互联网上搜索信息、回答问题、提供天气或新闻、播放音乐以及设置计时器或提醒。此外，该报告还显示了一些不太常见的任务，比如发送文本或电子邮件以及检查网络流量。有趣的是，50%或更多的人说他们从来不通过智能语音助理购买或订购东西并使用它们来控制其他物联网设备。 至于增长，Juniper Research表示，到2023年将有80亿个数字语音助理投入使用。这意味着该阶段已经迈出了重要的一步，但是，这种增长对聊天机器人等意味着什么呢？ 在过去十年的使用中，第一个障碍，意识，已经被消除了。现在，在同一时期，第二个障碍，即在不同人群中获得接受和基本使用，也已经消除。这项技术在相对较短的时间内也取得了长足的进步，然而，下一个障碍将与用户的信任有关。 还有很多工作需要做。我们需要扪心自问，为什么人们不使用智能语音助理来完成更复杂的任务？普华永道的报告显示，当涉及到更复杂的任务并涉及到人们辛苦赚来的金钱时，人们更喜欢使用他们知道和信任的方法。这意味着语音助理还没有出现在信任列表中。但并不是每个人都这样，在这项调查中，大约50%的人说他们用智能语音助理购物，购买包括食品（34%）、日用品（31%）、书籍（24%）和交通出行（21%）。 但约有25%的受访者表示，他们不考虑使用智能语音助理进行购物。最主要的原因是人们不相信智能语音助理能够正确地理解和处理购买。 这与风险有关。当您要求Google Home mini在Spotify上播放某个列表或者告诉您外面的温度时，风险并没有那么高。但如果您在Echo上要求亚马逊Alexa给您买一个新的空气过滤器并把它送到您家时，那么这就涉及资金交易了。 您相信人工智能能够理解您的要求，买到正确的过滤器，向您收取正确的费用，并把它送到正确的地方。但即使在不到50美元情况下，仍然存在很大风险。赢得消费者信任将是语音助理技术公司的下一个重大任务，因为购物只是人们不愿意做的事情之一。 根据普华永道的调查显示，使用智能语音助理控制其智能家居的人数甚至更少，而这或许就是问题的最大症结所在。（来自物联之家网）在未来，我们需要看看语音助理还能做什么，而这将需要得到更多用户的信任，例如，对智能语音助理的一个预测是，它们将在医疗保健领域得到越来越多的应用。 智能语音助理有能力在如此多的领域中提供帮助，但现在真正的问题是，我们还需要多长时间才能真正相信智能语音助理？来源： 物联之家网

一、 项目背景近年来,中国人工智能产业发展迅猛,市场规模增速高于全球增速。预计到 2020年,中国人工智能产业规模将超过1500亿元,带动相关产业规模超过1万亿元。全球新兴人工智能项目中,中国占据51%,数量上已经超越美国。但全球人工智能人才储备,中国却只有5%左右,人工智能的人才缺口超过500万。人工智能产业发展离不开人才的培养、储备、发展。国务院《新一代人工智能发展规划》中提出了要大力加强人工智能人才培训,大幅提升就业人员专业技能,满足我国人工智能发展带来的高技能高质量就业岗位需要,据中国信通院研究表明,中国的人工智能领域正在以复合增长率54.6%的速度增长。国家职业资格培训鉴定实验基地作为人社部建立的国家新职业研发和推广的机构,设置了人工智能新职业能力评价考试项目,旨在培养人工智能技术服务类和应用开发类人才。其中,以数据标注为代表的技术服务类人才尤为紧缺。二、 数据标注,人工智能的“老师”实际上,无论我们听到的人工智能技术有多酷炫,都无法掩盖其认知水平还不如5岁小孩的事实。数据标注的任务就是将收集的数据包括文本、图片、语音等,通过整理和标注后,教会人工智能识人辨物,不断学习和成长,最终达到人工智能。举个例子,聊天软件中,通常会有一个语音转文字的功能,大多数人可能都知道这是由智能算法实现的,但是算法为什么能够识别这些语音。其实智能算法就像人的大脑一样,它需要进行学习,通过学习后它才能够对特定数据进行处理,反馈。正如语音的识别,模型算法最初是无法直接识别语音内容的,而是经过人工对语音内容进行文本转录,将算法无法理解的语音转化成容易识别的文本。那么不同的语速、音色模型算法怎么能够分辨呢。这就是为什么模型算法在学习时需要海量数据的原因,这些数据必须覆盖常用语言场景、语速、音色等,全面的数据才能训练出出色的模型算法。而这些海量的数据就需要大量的人工进行标注,有多少人工决定了有多少智能。三、 数据标注行业现状如今,人工智能已实现大规模落地应用,随着5G时代的到来,人工智能在通讯、科技、金融服务、制造业、医疗保健、社交媒体、生活娱乐、运输与交通、零售等领域将实现迅猛发展。人工智能的繁荣催生并壮大了数据标注行业,创造了大量的人才需求。目前人工智能技术服务从业人员过百万。但由于没有规范统一的行业标准和人才评价体系,企业也缺乏选拔人才的科学评价标准,因此人员素质低、水平差已成为制约企业发展的障碍。在企业产业结构调整和升级,从劳动密集型向技术密集型发展的同时,也极其缺乏有技能、有水平、稳定的从业人员。近日,教育部公布2020年高等职业教育专业新增设置情况,此次公布结果显示,2020年,全国共有171所高职院校成功申报人工智能技术服务专业。

数据标注的类型非常多，比如文本分类，图片拉框，语音转写，人像打点等。下来我们就几个常见的标注业务进行简单的讲解。1.图像的拉框/打点图像标注的是最常见的一种标注形式，且对标注人员的要求不高。计算机需要看到人类眼睛看到的东西。例如，人类有识别和分类物体的能力。同样，我们可以使用计算机视觉来解释它接收到的视觉数据。这就是图像标注的作用。常见的领域：**拉框、车辆车牌、机械影像等主要应用在**识别、物体识别等领域。2.语音转写语言标注与生活中的众多方面息息相关。语音转写指听一段语音，语音标注即标注人员把所听到语音的内容转录出来形成所对应的“文字”，并不断修正语音和文字之间的误差。语音标注常见的领域：客服录音语音标注、即时通讯工具语音标注等。主要应用于语音识别领域。3.文本标注文本标注指将文字、符号在内的文本进行标注，让计算机能够读懂识别，从而应用于人类的生产生活领域！文本标注的常见领域：文本标注应用范围很广泛，例如客服行业、金融行业、医疗行业等。应用类型主要有数据清洗、语义识别、实体识别、场景识别、情绪识别、应答识别等。4.OCROCR是光学字符识别的缩写，OCR技术简单来说就是将文字信息转换为图像信息，然后再利用文字识别技术将图像信息转化为可以使用的输入技术。其本质就是利用光学设备去捕获图像并识别文字，将人眼的能力延伸到机器上。目前OCR文字识别行业上主要应用于票据、身份验证、内容审核、教育、保险、医疗、交通以及拍照识别/翻译等领域上。5.3D拉框/打点3D标注用于从2D图片和视频中获得空间视觉模型，测量物体间的相对距离和得到灭点，目标物体包括车辆、行人、广告标志和树木等。

无论是智能家居、智慧家庭，或者是智慧家电这三种说法，指的都是具备“智能”控制接口的家电产品范畴。智能家居（Smart Home）的概念最早出现于美国，它泛指通过先进的计算机技术、嵌入式技术、网络通讯技术、综合布线技术、将与家居生活有关的各种子系统有效地结合在一起。而今拜无线网络发展的快速，智能家居已升级成无线网络架构，当家电内建无线蓝牙甚至Wi-Fi后，就能通过智能手持终端的APP进行控制！ 智能家电能控制些什么对于制造商而言，只要将原本的家电产品加上具备无线连网与CPU运算架构的SoC系统单芯片（System on Chip），就能让家电智能化，拥有独立的控制沟通运算架构（当然还要加上固件来沟通运作）。而于各家的SoC拜智能手机发展神速，让低阶SoC得以价格非常便宜，进而导入智能家电市场。据市场研究公司statista的数据显示，2016年美国智能家居市场规模已经达到97亿美元。 目前比较常见的智能家电包含了灯光、空调、电视、监视系统、电子门锁，以及电动窗帘⋯等设备以智慧方式控制。此外像是智能冷气机、电冰箱、咖啡机，甚至洗衣机，都能够通过手机APP的便利，进而达到产品功能最大化的应用。而最简单的智能家电就是从插座来进行电源的开启或是关闭，其他部份则是得仰赖产品本身内建智能控制系统，当我们充分了解智能家居的架构与功能之后，便可以自行着手规划智能家居的设备，进而达到聪明人性化的智能家庭愿景！ 语音输入成就智能家电发展  Apple让多数**验到Siri智能聪明的语音输入便利性与准确性，甚至还可说是小朋友和“寂寞人”另类的“消遣”途径，就连华硕Zenbo机器人，也都够通过语音输入的方式，来与原本冷冰冰的电子产品对话，提升了人机互动上的温度。而语音输入的成功绝对要归功于Bigdata（大数据）加上AI（Artificial Intelligence；人工智能）的技术整合，让语音识别率大增，且能够确实得到使用者要的回馈！   个人的智能家居装置                                                        可别以为物联网技术只能用来控制家电产品，像是来自日本的传统眼镜制造商JINS，就推出智能眼镜，它能够借助监测眼球以眼皮的活跃程度，来分析使用者的建康状况。另外像是德国的百灵Oral-B，就于前年推出全球第一支具备蓝牙功能之智能电动牙刷，今年再趁胜追击，推出全新Oral-B GENIUS9000智能电动牙刷，以革命性的动态追踪科技，结合智能手机，实时追踪显示每个需要清洁的口腔部位，可谓是神级的电动牙刷，而此款电动牙刷预计本月正式上市！ 此外智能手表不但可当作独立的个人智能装置，也能用来控制智能家庭产品，通过直觉好用的UI设计，就能惬意的随时在家或是外面，控制家中的智能家电产品。如果配合NFC进场感应与体感或与音输入技术，从开启家中大门智慧锁、点亮家中必要的光源、启动萃取出一杯好喝又热腾腾的Espresso，到语音回报今天的行事历语代办事项，一切都多么的自然与顺畅，充满人性智能的生活型态！来源： 物联之家网

在互联网信息高速发展的时代，在使用华为云产品的过程中，会有各种各样的场景需要通过短信、邮件等方式来向您传递信息，但如果您的消息接收设置出了问题，可能会造成一些不必要的麻烦。比如：因操作不当取消订阅，导致收不到平台发送的某些重要消息；设置的消息接收人不准确，导致消息未被关注，从而造成了服务器资源到期被释放；配置的接收人不当，导致一些不相关的消息对周围的同事造成了骚扰 。。。看完以上的案例，您是不是也发现了合理的订阅及准确的配置消息接收人的重要性，那怎么才能避免这些问题的出现呢？别担心~华为云目前已经支持短信、邮件、站内信、自动语音等多种消息通知渠道，您可根据需要自行设置，看完以下内容，让我们对错过消息say goodbey一、通过“接收人管理”功能，配置消息接收人并订阅消息登录控制台。单击右上角的，进入消息中心。在左侧导航栏，选择“消息接收管理 > 接收人管理”。单击“新增接收人”。输入接收人的姓名、邮箱、手机号。单击“确定”，完成接收人新增操作。  7.在接收人管理页面选择指定接收人后的“订阅管理”按钮，选择要针对该消息接收人订阅的消息类型，点击“确定”，完成订阅配置。 二、通过“消息接收配置”功能，配置消息接收人并订阅消息登录控制台。   2.单击右上角的，进入消息中心。   3.在左侧导航栏，选择“消息接收管理 > 消息接收配置”。   4.配置消息接收方式。勾选或取消勾选某个消息类型的邮箱、短信、站内信，修改该类型消息的接收方式。   5.添加接收人，勾选一种或多种消息类型，单击页面下方的“添加接收人”。   6.勾选需要添加的接收人，单击“确定”。三、通过“语音接收配置”功能，配置语音接收人 登录控制台。单击右上角的，进入消息中心。在左侧导航栏，选择“消息接收管理 > 语音接收配置”。勾选待开启语音接收的消息类型，页面提示开启成功。单击待修改接收人的消息类型“操作”列的“修改”。勾选需要接收语音通知的接收人，单击“确定”。      温馨提醒：为了保证新增联系人联系方式准确，需要联系人通过邮件/短信完成验证后才能添加成功。       关于消息接收人管理的更多信息您可点击此处查看官网帮助中心文档。 

【功能模块】C73版本 ，tensorflow 语音唤醒模型input是array[10]，类型 float32转模型 : atc --model=wake.pb --framework=3 --output=wake  --soc_version=Ascend310 --input_format=NHWC --input_shape="mfcc_input:10"【操作步骤&问题现象】1、编译正常，运行报错 ret = processModel.Execute();        if (ret != SUCCESS) {            ERROR_LOG("execute inference failed");            aclrtFree(picDevBuffer);            return FAILED;        }2、查看host的日志   (device日志里面没有错误)【截图信息】模型输入：【日志信息】（可选，上传日志内容或者附件）加粗部分的第一行这个80  我理解为10*8(float32应该也不是8吧)这个4000是op 的size   这个不知道怎么算的[DEBUG] KERNEL(2371,workspace_mind_studio_wav2word):2021-03-03-17:17:45.422.768 [hardware/dev_svm/devmm_api.c:143][drvMemAllocManaged 263][0] ptr=0xaaaae96c9018, base=0xfffec6fc5000, len=1000.[DEBUG] RUNTIME(2371,workspace_mind_studio_wav2word):2021-03-03-17:17:45.422.836 [runtime/feature/src/npu_driver.cc:681]2371 DevMemAllocOffline:drvMemAdvise: success, device_id=0, dptr=0xfffec6fc5000, size=128, g_pinMemMap.size()=107[DEBUG] RUNTIME(2371,workspace_mind_studio_wav2word):2021-03-03-17:17:45.422.880 [runtime/feature/src/logger.cc:203]2371 StreamCreateWithFlags:create stream with flag ok, stream = 0xaaaae96c8f70, flag = 16, id = 2147483647[INFO] GE(2371,workspace_mind_studio_wav2word):2021-03-03-17:17:45.422.927 [framework/domi/executor/../graph/load/new_model_manager/davinci_model.cc:2871]2371 UpdateIoTaskArgs:[ZCPY] Copy Blobs: 0, addr: 0xfffeea8c1600, size: 4000, data: 0xfffec6fc6000, length: 80.[ERROR] GE(2371,workspace_mind_studio_wav2word):2021-03-03-17:17:45.422.974 [framework/domi/executor/../graph/load/new_model_manager/davinci_model.cc:2801]2371 CheckInputAndModelSize: ErrorNo: -1(failed) Input size [80] can not be smaller than op size [4000] after 64-byte alignment[ERROR] GE(2371,workspace_mind_studio_wav2word):2021-03-03-17:17:45.423.014 [framework/domi/executor/../graph/load/new_model_manager/davinci_model.cc:2873]2371 UpdateIoTaskArgs: ErrorNo: -1(failed) Check input size and model size failed[ERROR] GE(2371,workspace_mind_studio_wav2word):2021-03-03-17:17:45.423.057 [framework/domi/executor/../graph/load/new_model_manager/davinci_model.cc:2817]2371 CopyModelData: ErrorNo: 1343225857(Parameter's invalid!) [ZCPY] Update input data to model failed.[ERROR] GE(2371,workspace_mind_studio_wav2word):2021-03-03-17:17:45.423.096 [framework/domi/executor/../graph/load/new_model_manager/davinci_model.cc:3231]2371 NnExecute: ErrorNo: -1(failed) Copy input data to model failed.[ERROR] GE(2371,workspace_mind_studio_wav2word):2021-03-03-17:17:45.423.136 [framework/domi/executor/../graph/load/graph_loader.cc:325]2371 ExecuteModel: ErrorNo: 1343225860(Internal errors) Execute model failed, model_id:1.[ERROR] ASCENDCL(2371,workspace_mind_studio_wav2word):2021-03-03-17:17:45.423.175 [acl/model/model.cpp:575]2371 ModelExecute:acl/model/model.cpp:575: "Execute model failed, ge result[1343225860], modelId[1]"[ERROR] ASCENDCL(2371,workspace_mind_studio_wav2word):2021-03-03-17:17:45.423.215 [acl/model/model.cpp:593]2371 aclmdlExecute:acl/model/model.cpp:593: "aclmdlExecute failed, result[500002], modelId[1]"[DEBUG] ASCENDCL(2371,workspace_mind_studio_wav2word):2021-03-03-17:17:45.423.273 [acl/runtime/memory.cpp:62]2371 aclrtFree:acl/runtime/memory.cpp:62: "start to execute aclrtFree"[INFO] RUNTIME(2371,workspace_mind_studio_wav2word):2021-03-03-17:17:45.423.313 [runtime/feature/src/logger.cc:324]2371 DevFree:dev memory free. mem=0xfffec6fc6000[DEBUG] RUNTIME(2371,workspace_mind_studio_wav2word):2021-03-03-17:17:45.423.354 [runtime/feature/src/npu_driver.cc:38]2371 GetRunMode:RunMode = 0 [0:offline, 1:online][DEBUG] RUNTIME(2371,workspace_mind_studio_wav2word):2021-03-03-17:17:45.423.407 [runtime/feature/src/npu_driver.cc:974]2371 DevMemFree:drvMemAdvise:UNPIN success, erase it, device_id=0, dptr = 0xfffec6fc6000[INFO] ASCENDCL(2371,workspace_mind_studio_wav2word):2021-03-03-17:17:45.423.491 [acl/model/model.cpp:616]2371 aclmdlUnload:acl/model/model.cpp:616: "start to execute ACL_ModelUnload, modelId[1]"[INFO] ASCENDCL(2371,workspace_mind_studio_wav2word):2021-03-03-17:17:45.423.536 [acl/model/model.cpp:618]2371 aclmdlUnload:acl/model/model.cpp:618: "call ge interface executor.UnloadModel, modelId[1]"[INFO] GE(2371,workspace_mind_studio_wav2word):2021-03-03-17:17:45.423.575 [framework/domi/executor/ge_executor.cc:425]2371 UnloadModel:unload model 1 begin.

【功能模块】使用cce-gdb 运行bin语音唤醒在wav2word项目上改造的输入模型是1*99*10   ， 我试了不行有改成1*990 和 1*99*10*1，都不行代码阻塞在： ret = processModel.Execute();        if (ret != SUCCESS) {            ERROR_LOG("execute inference failed");            aclrtFree(picDevBuffer);            return FAILED;        }多问一句：atlas是用的小端吗？【操作步骤&问题现象】1、2、【截图信息】【日志信息】（可选，上传日志内容或者附件）root@davinci-mini:/home/HwHiAiUser/HIAI_PROJECTS/workspace_mind_studio/wav2word_4d133c60/out# cce-gdb workspace_mind_studio_wav2word_initialize_cce_nat registerGNU gdb (GDB) 7.12Copyright (C) 2016 Free Software Foundation, Inc.License GPLv3+: GNU GPL version 3 or later <http://gnu.org/licenses/gpl.html>This is free software: you are free to change and redistribute it.There is NO WARRANTY, to the extent permitted by law.  Type "show copying"and "show warranty" for details.This GDB was configured as "aarch64-linux-gnu".Type "show configuration" for configuration details.For bug reporting instructions, please see:<http://www.gnu.org/software/gdb/bugs/>.Find the GDB manual and other documentation resources online at:<http://www.gnu.org/software/gdb/documentation/>.For help, type "help".Type "apropos word" to search for commands related to "word"...Reading symbols from workspace_mind_studio_wav2word...(no debugging symbols found)...done.(gdb) rStarting program: /home/HwHiAiUser/HIAI_PROJECTS/workspace_mind_studio/wav2word_4d133c60/out/workspace_mind_studio_wav2word[Thread debugging using libthread_db enabled]Using host libthread_db library "/lib/aarch64-linux-gnu/libthread_db.so.1".[INFO]  acl init success[New Thread 0xfffeed08af90 (LWP 5090)][New Thread 0xfffeec889f90 (LWP 5091)][New Thread 0xfffeec088f90 (LWP 5092)][New Thread 0xfffeeb887f90 (LWP 5093)][New Thread 0xfffeeb086f90 (LWP 5094)][EVENT] DRV(5087,workspace_mind_studio_wav2word):2021-02-27-11:29:19.615.750 [hardware/npu_inc/../dev_core/devdrv/devdrv_fd.c:106][devdrv] [drvDeviceOpen 106] /dev/davinci0 open successfully.[New Thread 0xfffeea901f90 (LWP 5095)][New Thread 0xfffeea8e0f90 (LWP 5096)][INFO]  open device 0 success[INFO]  create context success[INFO]  create stream success[INFO]  get run mode success[INFO]  start run mode[New Thread 0xfffee2ffbf90 (LWP 5097)][New Thread 0xfffee27faf90 (LWP 5098)][New Thread 0xfffee1ff9f90 (LWP 5099)][New Thread 0xfffee17f8f90 (LWP 5100)][New Thread 0xfffee0ff7f90 (LWP 5101)][New Thread 0xfffee07f6f90 (LWP 5102)][New Thread 0xfffedfff5f90 (LWP 5103)][New Thread 0xfffedf7f4f90 (LWP 5104)][New Thread 0xfffedeff3f90 (LWP 5105)][New Thread 0xfffede7f2f90 (LWP 5106)][New Thread 0xfffeddff1f90 (LWP 5107)][New Thread 0xfffedd7f0f90 (LWP 5108)][New Thread 0xfffedcfeff90 (LWP 5109)][New Thread 0xfffedc7eef90 (LWP 5110)][New Thread 0xfffedbfedf90 (LWP 5111)][New Thread 0xfffedb7ecf90 (LWP 5112)][Thread 0xfffee07f6f90 (LWP 5102) exited][Thread 0xfffedbfedf90 (LWP 5111) exited][Thread 0xfffeddff1f90 (LWP 5107) exited][Thread 0xfffede7f2f90 (LWP 5106) exited][Thread 0xfffee1ff9f90 (LWP 5099) exited][Thread 0xfffee2ffbf90 (LWP 5097) exited][Thread 0xfffee0ff7f90 (LWP 5101) exited][Thread 0xfffee17f8f90 (LWP 5100) exited][Thread 0xfffee27faf90 (LWP 5098) exited][Thread 0xfffedb7ecf90 (LWP 5112) exited][Thread 0xfffedc7eef90 (LWP 5110) exited][Thread 0xfffedcfeff90 (LWP 5109) exited][Thread 0xfffedd7f0f90 (LWP 5108) exited][Thread 0xfffedeff3f90 (LWP 5105) exited][Thread 0xfffedf7f4f90 (LWP 5104) exited][EVENT] GE(5087,workspace_mind_studio_wav2word):2021-02-27-11:29:19.671.211 [framework/domi/executor/../graph/load/new_model_manager/davinci_model.cc:543]5087 Init:[GEPERFTRACE] The time cost of GraphLoader::TransAllVarData is [28110] micro second.[Thread 0xfffedfff5f90 (LWP 5103) exited][EVENT] GE(5087,workspace_mind_studio_wav2word):2021-02-27-11:29:19.671.735 [framework/domi/executor/../graph/load/new_model_manager/davinci_model.cc:553]5087 Init:[GEPERFTRACE] The time cost of GraphLoader::InitModelMem is [264] micro second.[EVENT] GE(5087,workspace_mind_studio_wav2word):2021-02-27-11:29:19.674.566 [framework/domi/executor/../graph/load/new_model_manager/davinci_model.cc:767]5087 InitNodes:[GEPERFTRACE] The time cost of GraphLoader::LoadTBEKernelBinToOpDesc. is [182] micro second, call num is 92[EVENT] GE(5087,workspace_mind_studio_wav2word):2021-02-27-11:29:19.674.701 [framework/domi/executor/../graph/load/new_model_manager/davinci_model.cc:768]5087 InitNodes:[GEPERFTRACE] The time cost of GraphLoader::InitTbeHandle. is [1837] micro second, call num is 85[New Thread 0xfffedb7ecf90 (LWP 5113)][EVENT] GE(5087,workspace_mind_studio_wav2word):2021-02-27-11:29:21.960.280 [framework/domi/executor/../graph/load/new_model_manager/davinci_model.cc:581]5087 Init:[GEPERFTRACE] The time cost of GraphLoader::DoTaskSink is [2285170] micro second.[INFO]  load model ../model/lfg0227.om success[INFO]  create model description success[INFO]  create model output success[INFO]  start to process file:../data/features990.bin[INFO]  get run mode success 1[INFO]  get run mode success 2[New Thread 0xfffedbfedf90 (LWP 5114)][EVENT] DRV(5087,workspace_mind_studio_wav2word):2021-02-27-11:29:27.152.931 [hardware/npu_inc/../dev_core/devdrv/devdrv_command.c:177][devdrv] [drvDfxShowReport 177]  KEY INFO[0][14]: reportcount(80), cmdcount(132), timeout(1)[EVENT] DRV(5087,workspace_mind_studio_wav2word):2021-02-27-11:29:27.153.116 [hardware/npu_inc/../dev_core/devdrv/devdrv_command.c:182][devdrv] [drvDfxShowReport 182] devid: 0, cq id: 14, cq head: 80, cq tail: 80, cq info phase: 1, cq user phase: 1.[EVENT] DRV(5087,workspace_mind_studio_wav2word):2021-02-27-11:29:27.153.275 [hardware/npu_inc/../dev_core/devdrv/devdrv_command.c:192][devdrv] [drvDfxShowReport 192] devid: 0, cq_index: 14, index: 75, slot phase: 1, streamID: 802, taskID: 0.[EVENT] DRV(5087,workspace_mind_studio_wav2word):2021-02-27-11:29:27.153.432 [hardware/npu_inc/../dev_core/devdrv/devdrv_command.c:192][devdrv] [drvDfxShowReport 192] devid: 0, cq_index: 14, index: 76, slot phase: 1, streamID: 802, taskID: 2.[EVENT] DRV(5087,workspace_mind_studio_wav2word):2021-02-27-11:29:27.153.588 [hardware/npu_inc/../dev_core/devdrv/devdrv_command.c:192][devdrv] [drvDfxShowReport 192] devid: 0, cq_index: 14, index: 77, slot phase: 1, streamID: 802, taskID: 2.[EVENT] DRV(5087,workspace_mind_studio_wav2word):2021-02-27-11:29:27.153.759 [hardware/npu_inc/../dev_core/devdrv/devdrv_command.c:192][devdrv] [drvDfxShowReport 192] devid: 0, cq_index: 14, index: 78, slot phase: 1, streamID: 290, taskID: 8.[EVENT] DRV(5087,workspace_mind_studio_wav2word):2021-02-27-11:29:27.153.916 [hardware/npu_inc/../dev_core/devdrv/devdrv_command.c:192][devdrv] [drvDfxShowReport 192] devid: 0, cq_index: 14, index: 79, slot phase: 1, streamID: 35, taskID: 1.[EVENT] DRV(5087,workspace_mind_studio_wav2word):2021-02-27-11:29:27.154.071 [hardware/npu_inc/../dev_core/devdrv/devdrv_command.c:192][devdrv] [drvDfxShowReport 192] devid: 0, cq_index: 14, index: 80, slot phase: 0, streamID: 0, taskID: 0.[EVENT] DRV(5087,workspace_mind_studio_wav2word):2021-02-27-11:29:27.154.227 [hardware/npu_inc/../dev_core/devdrv/devdrv_command.c:192][devdrv] [drvDfxShowReport 192] devid: 0, cq_index: 14, index: 81, slot phase: 0, streamID: 0, taskID: 0.[EVENT] DRV(5087,workspace_mind_studio_wav2word):2021-02-27-11:29:27.154.382 [hardware/npu_inc/../dev_core/devdrv/devdrv_command.c:192][devdrv] [drvDfxShowReport 192] devid: 0, cq_index: 14, index: 82, slot phase: 0, streamID: 0, taskID: 0.[EVENT] DRV(5087,workspace_mind_studio_wav2word):2021-02-27-11:29:27.154.536 [hardware/npu_inc/../dev_core/devdrv/devdrv_command.c:192][devdrv] [drvDfxShowReport 192] devid: 0, cq_index: 14, index: 83, slot phase: 0, streamID: 0, taskID: 0.[EVENT] DRV(5087,workspace_mind_studio_wav2word):2021-02-27-11:29:27.154.692 [hardware/npu_inc/../dev_core/devdrv/devdrv_command.c:192][devdrv] [drvDfxShowReport 192] devid: 0, cq_index: 14, index: 84, slot phase: 0, streamID: 0, taskID: 0.[EVENT] DRV(5087,workspace_mind_studio_wav2word):2021-02-27-11:29:32.272.890 [hardware/npu_inc/../dev_core/devdrv/devdrv_command.c:177][devdrv] [drvDfxShowReport 177]  KEY INFO[0][14]: reportcount(80), cmdcount(132), timeout(2)[EVENT] DRV(5087,workspace_mind_studio_wav2word):2021-02-27-11:29:32.274.395 [hardware/npu_inc/../dev_core/devdrv/devdrv_command.c:182][devdrv] [drvDfxShowReport 182] devid: 0, cq id: 14, cq head: 80, cq tail: 80, cq info phase: 1, cq user phase: 1.[EVENT] DRV(5087,workspace_mind_studio_wav2word):2021-02-27-11:29:32.274.556 [hardware/npu_inc/../dev_core/devdrv/devdrv_command.c:192][devdrv] [drvDfxShowReport 192] devid: 0, cq_index: 14, index: 75, slot phase: 1, streamID: 802, taskID: 0.[EVENT] DRV(5087,workspace_mind_studio_wav2word):2021-02-27-11:29:32.274.709 [hardware/npu_inc/../dev_core/devdrv/devdrv_command.c:192][devdrv] [drvDfxShowRepor还要很多重复的没都贴