語音識別只能識別普通話，這就要求發音必須準確，另外畢竟是機器人，詞彙量和問題應該是設定好的，超出範圍它就聽不懂，所以還有很大的發展空間。如果有一天可以像人類一樣思考學習，那我們會受到很大威脅。

以目前的技術來說基本上沒有什麼困難了，現在的語音智慧已經很進步，只要你說，它就能做到。像天貓精靈 小度 小愛等等 識別率真的很好，我是做智慧家居的，我們公司的產品都可以和這些語音智慧結合起來，你說話，它執行，非常智慧，識別率非常高。透過語音可以控制開關 插座 窗簾 電視 空調等家用電器，技術已經很成熟。

從目前來看，主要有三點：

1、識別範圍和準確率有待提高

截至目前，只能識別漢語普通話，而漢語方言、少數民族語言則尚未被納入，其中很多少數民族語言只在中國境內或周邊人口較少、經濟較不發達的國家或地區使用，意味著這些使用者尚未被語音識別智慧家居裝置覆蓋。

2、無法識別場景

目前的語音識別裝置可以記憶口令，只要聽到口令就會被喚醒或執行相應操作。但由於它無法識別使用者是在何種場景下發出聲音，使用者無意中說出口令包括的詞彙都會被視為口令。例如，使用者告訴家人，離家時要記得“關閉空調”，空調便可能將“關閉空調”視為關閉口令；而使用者和空調的對話，可能讓電視“自作多情”，進而互相“爭寵”。實際上，我們辦公室買的某個遊戲機器人就經常在我們開會或談其他事情時被錯誤喚醒。

當然，使用者可以為不同裝置設定差異化的口令，特別是避開常用語，但這也將加重記憶口令的任務。若家庭成員較多，特別是有中老年人，要想出一套全家人都認可的口令並讓全家人都記住，並不是容易的事。

3、被動智慧

本質上，語音識別仍屬於被動智慧，開啟、關閉都必須由使用者主動操作，這與用遙控器並沒有本質區別，容易忘記按遙控器的使用者也可能忘記發出語音指令，意味著因忘記關閉裝置而導致的電力浪費等問題仍然無法得到徹底解決。加上有的使用者可能因呼吸道、支氣管、聲帶等疾病無法準確發出聲音甚至是聾啞人，則無法使用這類裝置。

因此，單一的語音識別功能無法滿足使用者對智慧家居的需求，這就使面部、身體、手勢、表情、物品等識別技術具備了廣闊的應用潛力。藉助更多元化的識別技術，則可使智慧家居裝置從被動智慧轉變為主動智慧，進而告別“人工智障”。例如，裝置自帶的攝像頭識別到房間裡已沒有使用者，便主動關閉裝置，從而避免電力浪費。

目前語音識別最重要的困難，我只能說出一個，或許也是最重要的，這就是——情景感知。

對於文字識別或者相關語言的翻譯和轉義不是什麼麻煩事，但是如果能根據不同的語境來識別相關的語義，這就有很大難度了。

人類的思維情感是複雜的，喜怒哀樂反映出對不同環境氛圍的態度。比如識別：“吃屎去吧”……如果是計算機識別，或許真的以為是吃屎，但實際上結合人類的語境，或許這個只是一句玩笑，或者是一句氣話。這就是情景化能力。

這個例子可能不一定很合適，但至少只是一個說明，容易讓人理解。

感謝邀請。困難不多，一個是安全問題，現在科技手段越來越發達，透過網路或者變聲器都有可能會控制你家裡的東西。你不會希望你的家電什麼的會突然被外面的人控制吧？而且往往這種語音控制是連線這自己家裡的無線網路的，那會不會造成資訊洩露那就不知道了。第二是成本問題，一般居住面積不會很大，有多少人願意 為了那幾步路去多花幾千甚至幾萬塊錢。第三是訪客問題，俗話說誰不認識幾個朋友，有客人來了這個系統怎麼識別？總不能幹什麼都要跟你說吧你去做吧。這一點和安全問題是掛鉤的，所以他很難去大面積的推廣到家庭中去，他不是在酒店，酒店本身就是個公共區域，而且住酒店的人往往是隻有這幾個人的，我只要給你許可權了你住就是，不是家裡還來個人什麼的，誰家串門也不會去酒店串門吧。所以酒店不存在訪客的問題，但是家裡得考慮啊，外面來人了怎麼辦，客人自己可能連開燈開電視都開不了。這幾點是我能想到的，還有我們沒有想到的呢？

語音識別只能識別普通話，這就要求發音必須準確，另外畢竟是機器人，詞彙量和問題應該是設定好的，超出範圍它就聽不懂，所以還有很大的發展空間。如果有一天可以像人類一樣思考學習，那我們會受到很大威脅。

以目前的技術來說基本上沒有什麼困難了，現在的語音智慧已經很進步，只要你說，它就能做到。像天貓精靈 小度 小愛等等 識別率真的很好，我是做智慧家居的，我們公司的產品都可以和這些語音智慧結合起來，你說話，它執行，非常智慧，識別率非常高。透過語音可以控制開關 插座 窗簾 電視 空調等家用電器，技術已經很成熟。

從目前來看，主要有三點：

1、識別範圍和準確率有待提高

截至目前，只能識別漢語普通話，而漢語方言、少數民族語言則尚未被納入，其中很多少數民族語言只在中國境內或周邊人口較少、經濟較不發達的國家或地區使用，意味著這些使用者尚未被語音識別智慧家居裝置覆蓋。

2、無法識別場景

目前的語音識別裝置可以記憶口令，只要聽到口令就會被喚醒或執行相應操作。但由於它無法識別使用者是在何種場景下發出聲音，使用者無意中說出口令包括的詞彙都會被視為口令。例如，使用者告訴家人，離家時要記得“關閉空調”，空調便可能將“關閉空調”視為關閉口令；而使用者和空調的對話，可能讓電視“自作多情”，進而互相“爭寵”。實際上，我們辦公室買的某個遊戲機器人就經常在我們開會或談其他事情時被錯誤喚醒。

當然，使用者可以為不同裝置設定差異化的口令，特別是避開常用語，但這也將加重記憶口令的任務。若家庭成員較多，特別是有中老年人，要想出一套全家人都認可的口令並讓全家人都記住，並不是容易的事。

3、被動智慧

本質上，語音識別仍屬於被動智慧，開啟、關閉都必須由使用者主動操作，這與用遙控器並沒有本質區別，容易忘記按遙控器的使用者也可能忘記發出語音指令，意味著因忘記關閉裝置而導致的電力浪費等問題仍然無法得到徹底解決。加上有的使用者可能因呼吸道、支氣管、聲帶等疾病無法準確發出聲音甚至是聾啞人，則無法使用這類裝置。

因此，單一的語音識別功能無法滿足使用者對智慧家居的需求，這就使面部、身體、手勢、表情、物品等識別技術具備了廣闊的應用潛力。藉助更多元化的識別技術，則可使智慧家居裝置從被動智慧轉變為主動智慧，進而告別“人工智障”。例如，裝置自帶的攝像頭識別到房間裡已沒有使用者，便主動關閉裝置，從而避免電力浪費。

目前語音識別最重要的困難，我只能說出一個，或許也是最重要的，這就是——情景感知。

對於文字識別或者相關語言的翻譯和轉義不是什麼麻煩事，但是如果能根據不同的語境來識別相關的語義，這就有很大難度了。

人類的思維情感是複雜的，喜怒哀樂反映出對不同環境氛圍的態度。比如識別：“吃屎去吧”……如果是計算機識別，或許真的以為是吃屎，但實際上結合人類的語境，或許這個只是一句玩笑，或者是一句氣話。這就是情景化能力。

這個例子可能不一定很合適，但至少只是一個說明，容易讓人理解。

感謝邀請。困難不多，一個是安全問題，現在科技手段越來越發達，透過網路或者變聲器都有可能會控制你家裡的東西。你不會希望你的家電什麼的會突然被外面的人控制吧？而且往往這種語音控制是連線這自己家裡的無線網路的，那會不會造成資訊洩露那就不知道了。第二是成本問題，一般居住面積不會很大，有多少人願意 為了那幾步路去多花幾千甚至幾萬塊錢。第三是訪客問題，俗話說誰不認識幾個朋友，有客人來了這個系統怎麼識別？總不能幹什麼都要跟你說吧你去做吧。這一點和安全問題是掛鉤的，所以他很難去大面積的推廣到家庭中去，他不是在酒店，酒店本身就是個公共區域，而且住酒店的人往往是隻有這幾個人的，我只要給你許可權了你住就是，不是家裡還來個人什麼的，誰家串門也不會去酒店串門吧。所以酒店不存在訪客的問題，但是家裡得考慮啊，外面來人了怎麼辦，客人自己可能連開燈開電視都開不了。這幾點是我能想到的，還有我們沒有想到的呢？