1.声学环境因素带来前置识别偏差，传导干扰语义解析链路

整套语音应答的第一步便是采集人声信号，声学层面的各类干扰会顺着技术链路向下传递，最后造成语义判断出错。日常使用环境当中充斥各类噪声，包含持续性低频噪音、突发式声响、多人交谈的混杂人声，这些杂音会改变原始语音频谱特征，声学模型提取出来的音频特征产生偏移。

除此之外用户个体的发音条件同样属于不稳定变量，口音、方言习惯、过快语速、轻声表述、吞字连读，都会加大自动语音识别模块的转写失误概率。只要语音文字转化出现差错，后续所有的语义解读都会建立在错误素材之上，哪怕自然语言理解模块性能优良，也很难修正源头产生的偏差。从数据层面可以看出，信噪比偏低的环境之下，普通口语识别错误数值会成倍上涨，垂直行业当中的专业词汇出错概率还会继续升高。

2.浅层文字识别，无法解析用户话语当中的隐性语义诉求

传统流水线式语音处理架构采取分段式作业，自动语音识别只负责音频转文字，之后交由自然语言处理模块完成关键词匹配、固定句式筛查，这种工作模式只能读懂表层字面含义，很难挖掘口语之下隐藏诉求。

人类日常沟通大量使用委婉表述、反问句式、省略主语的短句、带有情绪倾向的话语。相同一句口头表达，伴随语调起伏、停顿时长、语气轻重，可以承载多种含义。现阶段不少应答机器人剥离语调、停顿、叹气这类副语言特征，单纯依靠文字内容进行意图判定，对于反话、含蓄诉求难以分辨。

举个基础的逻辑难题，当用户说出“这个方案难道可行吗”，字面文字较为中性，真实想法却是否定态度；口语省略现象更为普遍，多轮沟通之后用户讲到“就按照刚才那个办理”，指代对象需要追溯前面多轮对话信息，浅层关键词检索模式很难锁定指代客体。

3.长周期多轮对话上下文记忆断裂，对话连贯性较差

长时间交互场景之下，语义识别系统普遍存在上下文信息丢失、指代关系错乱的问题。常规对话记忆缓存大多只保存最近三至五轮对话内容，当沟通轮次加长、用户中途切换多个话题之后，模型容易遗忘前期交代的关键参数、个人诉求、约束条件。

同时用户在聊天过程当中随时进行话题跳转、补充修正先前说错的信息、推翻之前的想法，传统对话管理模块缺少动态更新记忆库的机制，不会接收用户更正之后及时覆盖旧有错误信息，依旧沿用过时条件给出应答。该类问题也是很多用户多次纠正语音机器人之后设备依旧理解出错的主要诱因。

信息来源：合力亿捷