0
| 本文作者： 李詩 | 2018-09-14 18:12 |
根據(jù)《2018中國智能語音行業(yè)前景研究報告》，2017年中國的智能語音市場規(guī)模已經(jīng)達(dá)到了105.71億元，比2016年增長了70%，而2018年這個規(guī)模預(yù)計將繼續(xù)擴大三分之一，達(dá)到159.7億元。語音行業(yè)紅紅火火。
站在2003年，鄢志杰選擇進(jìn)入中科大語音實驗室攻讀博士時，行業(yè)留給語音人才的就業(yè)崗位極其稀缺，當(dāng)時像微軟亞洲研究院這樣跨國公司的研發(fā)機構(gòu)，每年在語音方向上也就一兩個校招名額。當(dāng)時的他，自然難以想象15年后，語音技術(shù)會如此火爆，像水電這樣的基礎(chǔ)設(shè)施一樣融入每個人的生活。
扎根語音行業(yè)十多年，他在語音識別、語音合成、語音交互等多個領(lǐng)域都有了深入的研究，熬過了長達(dá)近十年的技術(shù)瓶頸期，見證兩次語音技術(shù)的大突破，終于等到人人都能明白語音交互的概念和未來。鄢志杰作為目前阿里語音團隊的帶頭人，聊過很多關(guān)于語音技術(shù)的現(xiàn)狀和未來，不過他這十幾年的個人經(jīng)歷，他在中科大語音實驗室、微軟亞洲研究院語音團隊、阿里巴巴機器智能技術(shù)實驗室的經(jīng)歷，卻很少為人所知。雷鋒網(wǎng)這篇獨家對話文，正是想讓鄢志杰談?wù)勊宦纷邅淼娘L(fēng)景。
（鄢志杰，阿里巴巴達(dá)摩院機器智能技術(shù)實驗室語音交互首席專家，長期從事語音交互智能的研究、產(chǎn)品化和商業(yè)化工作。畢業(yè)于中國科學(xué)技術(shù)大學(xué)語音實驗室，獲博士學(xué)位，2015年加入阿里巴巴集團。在加入阿里巴巴集團之前，就職于微軟亞洲研究院語音團隊任主管研究員。其研究領(lǐng)域主要包括語音識別、語音合成、聲紋、語音交互等。在語音及文本識別領(lǐng)域頂級學(xué)術(shù)期刊及會議發(fā)表多篇論文，長期擔(dān)任語音領(lǐng)域頂級學(xué)術(shù)會議及期刊的專家評審，并擁有多項美國及PCT專利。其研究成果被轉(zhuǎn)化并應(yīng)用于阿里巴巴集團、螞蟻金服及微軟公司多項語音相關(guān)產(chǎn)品中，目前是IEEE senior member。曾榮獲中國科協(xié)百名基層科技工作者稱號。）
2003年，鄢志杰本科畢業(yè)，他選擇升入中科大語音實驗室，攻讀博士學(xué)位。鄢志杰師從王仁華教授，是最后幾屆關(guān)門弟子。王仁華教授是語音領(lǐng)域大牛，不僅精通語音技術(shù)，還熟諳語音技術(shù)的商業(yè)化，當(dāng)時他已經(jīng)是科大訊飛主要創(chuàng)始人之一、科大訊飛董事長。
站在2003年，鄢志杰或許想不到語音行業(yè)會有現(xiàn)在這么火熱。他回憶道，當(dāng)時，在語音合成方面，機器人說出來的話只能做到聽懂，沒辦法合成長段的、流暢自然的語音。在語音識別方面，只能在簡單任務(wù)上做得比較好，例如數(shù)字串識別。像今天的智能語音助理，能聽懂用戶說的話再去執(zhí)行任務(wù)，這樣的應(yīng)用在當(dāng)時是難以想象的。
十幾年前，語音不是熱門專業(yè)，但是在鄢志杰看來，語音是人機交互下一個里程碑，是有趣有用的技術(shù)，就值得學(xué)。他的導(dǎo)師王仁華教授也非常開放，除了教書育人、在實驗室培養(yǎng)學(xué)生，也通過人脈將學(xué)生們送到海內(nèi)外各個學(xué)?；蚬镜闹芯繖C構(gòu)去訪問交流。例如鄢志杰自己，在攻讀博士學(xué)位期間就先后到微軟亞洲研究院和美國佐治亞理工學(xué)院的語音實驗室訪問。要知道，彼時國內(nèi)做研究、查論文、做學(xué)術(shù)交流的條件遠(yuǎn)不如現(xiàn)在這樣方便，既沒有開源學(xué)術(shù)社區(qū)，學(xué)術(shù)搜索引擎也還不存在。而這些經(jīng)歷大大的開拓了像鄢志杰這樣的學(xué)生們的國際視野，也造就了今天國內(nèi)語音學(xué)術(shù)界和工業(yè)界的一批活躍分子。王老師實驗室的弟子們很多都成為了高校科研院所或產(chǎn)業(yè)界從事語音交互技術(shù)的骨干。
但回到10年前，技術(shù)的不成熟使得工業(yè)界對語音專業(yè)的學(xué)生的需求也小。在當(dāng)時，全世界的就業(yè)市場留給語音專業(yè)的畢業(yè)生的崗位很少，可以說是稀缺，畢業(yè)生并不好找工作。只有像微軟、IBM這些大公司能夠燒錢養(yǎng)活團隊，持續(xù)在語音領(lǐng)域做技術(shù)研發(fā)。鄢志杰去到微軟亞洲研究院那幾年，研究院在亞太范圍內(nèi)每年也就一兩個校招博士名額。
鄢志杰說，微軟是一家偉大的世界級公司，儲備的是世界級人才，微軟能提供的平臺和視野對做語音交互的人才來說是當(dāng)時國內(nèi)最好的。博士畢業(yè)后，鄢志杰在微軟工作了近7年。回憶起來，他覺得在微軟這幾年的成長經(jīng)歷，極大的拓展了自己在研究以及工業(yè)界思維的廣度和深度。在中科大的時候，鄢志杰主要的方向是語音識別，在微軟后也做了一段時間語音合成、聲紋相關(guān)方向，拓寬了領(lǐng)域。由于是研究院，微軟研究氛圍跟象牙塔式的校園很像，能夠讓研究員慢工出細(xì)活地做一些令人興奮的技術(shù)。
回憶起十幾年的學(xué)習(xí)和科研經(jīng)歷，鄢志杰印象最深刻的是語音技術(shù)兩次大的突破。
第一次大的突破在2000年左右，在大詞匯量連續(xù)語音識別任務(wù)上出現(xiàn)了一種叫 discriminative training（區(qū)分度訓(xùn)練）的技術(shù)，使得語音識別的準(zhǔn)確率上了一個臺階，相對提升了大致20%-30%。然后在往后的幾年中，就有大量沿著這條技術(shù)路線的新方法被提出來。
好景不長，過了幾年時間，discriminative training陷入了平臺期，一直持續(xù)了快十年。2006年，辛頓提出深度學(xué)習(xí)的概念，深度神經(jīng)網(wǎng)絡(luò)研究因此而復(fù)蘇。2009年，辛頓和他的學(xué)生將深度神經(jīng)網(wǎng)絡(luò)應(yīng)用于語音的聲學(xué)建模上并獲得成功。到了2010年前后，微軟研究院請來了辛頓的學(xué)生前來交流，俞棟、鄧力等人將深度學(xué)習(xí)應(yīng)用到工業(yè)級語音識別系統(tǒng)中，使識別錯誤率再次降低了20%以上。此后，一直到現(xiàn)在，深度學(xué)習(xí)方法在語音識別、語音合成、NLP、對話系統(tǒng)等多方面都取得了成效。
回顧這兩次突破，鄢志杰說：語音技術(shù)從一個個突破到一次次沉寂，總是伴隨著一個螺旋上升的過程。今天的語音交互技術(shù)已經(jīng)跨過了“能用”的門檻，越來越多的向“好用”在邁進(jìn)。
2015年，鄢志杰離開微軟，加入了阿里巴巴iDST (Institute of Data Science and Technologies)。他說現(xiàn)在回過頭來，阿里巴巴最大的特點是落地能力特別強，能夠把技術(shù)產(chǎn)品化，產(chǎn)品再商業(yè)化。幾年后，他越來越明白其中的原因：阿里會要求技術(shù)人員也懂商業(yè)，在做技術(shù)選題的時候，把商業(yè)作為其中一個維度來思考。鄢志杰認(rèn)為阿里的商業(yè)基因?qū)λ稣Z音交互技術(shù)是很好的土壤。
2010年深度學(xué)習(xí)技術(shù)與語音結(jié)合之后，到2015年行業(yè)已經(jīng)有了很大的變化，科技巨頭都相繼推出了各自的語音產(chǎn)品。
鄢志杰加入時，正值阿里巴巴開始嚴(yán)肅地投資語音交互技術(shù)（當(dāng)時“AI”這個詞還不像今天這么熱）。阿里做語音在國內(nèi)的巨頭中并不算早，但卻在恰當(dāng)?shù)臅r機入局，完成了對人才和技術(shù)的積累，并滿足了集團自身的發(fā)展的需要。
語音系統(tǒng)、交互系統(tǒng)鏈條很長，鄢志杰加入后主要做的事情是搭建平臺、打基礎(chǔ)。從一張白紙起步，也是一件好事，沒有歷史包袱，能放開了手做，把當(dāng)時最好的技術(shù)迅速產(chǎn)業(yè)化，這是后發(fā)優(yōu)勢。例如，當(dāng)時阿里巴巴團隊在聲學(xué)模型上可以沒有包袱的做最好的選型，在2015年首先上線了latency-controlled BLSTM 模型，叫 LC-BLSTM 模型，這個模型從學(xué)術(shù)界研究出來，到工業(yè)界第一個上線，只用了幾個月的時間。
傳統(tǒng) BLSTM 模型存在latency問題，必須要等到一句話說完了才開始去做解碼，得到結(jié)果，就造成說完這句話后要等很久才能拿到結(jié)果，這當(dāng)然是壞處，但為什么大家還是那么著迷呢，因為好處是精度特別高，準(zhǔn)確程度高。阿里巴巴團隊所做的工作就是能夠把識別的延遲降下來，使得它能夠在邊說話就邊解碼，而不是像以前一樣，要等到這句話結(jié)束后才能夠進(jìn)行解碼，達(dá)到一個既快又好的效果。像這樣的創(chuàng)新還有很多，阿里巴巴用最短的時間從零搭建出一套完全自主的、業(yè)界最頂尖的語音識別系統(tǒng)。
iDST團隊在阿里內(nèi)部有幾次調(diào)整，語音在阿里戰(zhàn)略的地位也有所變化。
據(jù)雷鋒網(wǎng)了解，一開始，阿里做語音主要是從阿里內(nèi)部客服中心的需求來出發(fā)的，因為阿里每天淘寶、天貓和支付寶有很多的客服電話，語音識別可以去分析服務(wù)質(zhì)量。當(dāng)時的語音技術(shù)都是通過阿里云輸出的，語音技術(shù)被視為云計算里邊一個不可缺少的原子組件，因此iDST曾被劃分到阿里云。鄢志杰回憶道，之前語音團隊很多時候都是滿足集團各業(yè)務(wù)的需求。
17年上半年的時候，iDST回到了技術(shù)中臺，成立了iDST2.0，改名為機器智能技術(shù)實驗室。當(dāng)時阿里意識到，語音是一個基礎(chǔ)技術(shù)，不僅是阿里云一個部門需要，集團內(nèi)外也都有強烈需求。回到中臺后，機器智能技術(shù)實驗室主要承擔(dān)了兩個任務(wù)：首先是對內(nèi)服務(wù)，支持集團內(nèi)部、螞蟻金服、阿里巴巴經(jīng)濟體等；然后是對外服務(wù)，通過阿里云做商業(yè)輸出、被生態(tài)客戶使用。
2017年11月，阿里巴巴 CTO 張建鋒（花名行癲）宣布阿里巴巴成立全球研究院——阿里巴巴達(dá)摩院，研究領(lǐng)域包括量子計算、人工智能、機器學(xué)習(xí)、視覺計算、自然語言處理、下一代人機交互等。機器智能技術(shù)實驗室也劃在了達(dá)摩院之下，是達(dá)摩院在下一代顛覆性人機交互技術(shù)和用戶體驗方面的核心團隊，其中包括鄢志杰負(fù)責(zé)的智能語音交互。
到了達(dá)摩院，阿里巴巴集團加大了對機器智能實驗室團隊的投資力度，團隊的規(guī)模也上升了一個等級。鄢志杰談到，如果說過去iDST主要支撐集團各業(yè)務(wù)部門，到了達(dá)摩院，機器智能實驗室的角色轉(zhuǎn)換成了技術(shù)創(chuàng)造新商業(yè)，更多的是去做一些有技術(shù)壁壘的東西。
達(dá)摩院成立后，吸引了諸多國內(nèi)外技術(shù)領(lǐng)軍人物，比如量子計算大牛施堯耘。在鄢志杰的帶領(lǐng)下，語音團隊也招募到了馮建偉、付強、馬斌等行業(yè)大牛，形成了一個橫跨兩岸三國五地的國際化團隊，還有了不止一位“老外”成員。
時隔一年，達(dá)摩院在探索未來科技的路上成績斐然：
研發(fā)了一款神經(jīng)網(wǎng)絡(luò)芯片——Ali-NPU，打破缺芯少魂的被動局面；
研制出世界最強的量子電路模擬器“太章”，成功挑戰(zhàn)谷歌的量子霸權(quán)
斬獲WMT2018國際機器翻譯大賽冠軍
阿里巴巴電商機器翻譯總量日均達(dá)7.5億次
語音團隊也將自身的創(chuàng)新更多的與業(yè)界分享，在前不久開源了最新的語音識別聲學(xué)模型DFSMN，將開源數(shù)據(jù)上語音識別準(zhǔn)確率提高至96.04%，并使得全世界的研究者可以在此基礎(chǔ)上持續(xù)創(chuàng)新。
鄢志杰曾談到，阿里現(xiàn)在的語音技術(shù)站在端和云的中間，端就是各類終端，包括電視、汽車、音箱、IoT設(shè)備等，云端就是阿里布局的互聯(lián)網(wǎng)內(nèi)容和服務(wù)。
在2018年3 月底的云棲大會上，阿里云總裁胡曉明在會上做出戰(zhàn)略宣布：阿里巴巴全面進(jìn)軍 IoT。這是繼電商、金融、物流、云計算之后的一條新的主賽道。計算是心臟，AI 是大腦，IoT 是神經(jīng)。語音技術(shù)作為核心AI技術(shù)在阿里巴巴的數(shù)字化和物聯(lián)網(wǎng)布局上是重要一環(huán)。鄢志杰認(rèn)為語音交互智能將成為 智聯(lián)網(wǎng)設(shè)備 與內(nèi)容和服務(wù)的橋梁。
那么，阿里各個部門是如何配合起來發(fā)力智能語音+智聯(lián)網(wǎng)的呢？
首先是阿里云物聯(lián)網(wǎng)平臺。2017年10月，阿里云在杭州.云棲大會上發(fā)布阿里云Link物聯(lián)網(wǎng)平臺，提供物聯(lián)網(wǎng)云端一體化使能平臺、物聯(lián)網(wǎng)市場、ICA全球標(biāo)準(zhǔn)聯(lián)盟等三大基礎(chǔ)設(shè)施，已經(jīng)完成生活平臺、城市平臺和商業(yè)共享平臺的的搭建，解決方案覆蓋智能生活、智能城市、智能園區(qū)、智能農(nóng)業(yè)、智能制造、智慧共享六大行業(yè)。然后在終端方面，阿里推出了mesh智能家居開放平臺，使所有智能硬件都能統(tǒng)一接入一個網(wǎng)絡(luò)協(xié)議。
智能語音交互與IoT設(shè)備結(jié)合可以說是一大趨勢，雷鋒網(wǎng)曾分析，2018年，各大公司都在建立IoT平臺，例如：小米IoT開發(fā)者平臺、阿里云Link、百度“天工”、京東Alpha-IoT、QQ物聯(lián)平臺、微軟Azure IoT，這些公司也都有自己的智能語音助手。小米、阿里、百度、微軟等已經(jīng)明確將智能語音+IoT看作IoT平臺以及對話式人工智能發(fā)展的關(guān)鍵。
目前阿里已經(jīng)推出了天貓精靈、榮威智聯(lián)網(wǎng)汽車、海爾人工智能電視等落地的智能語音產(chǎn)品，除了這些，鄢志杰團隊過去一年還在忙于：將智能語音交互帶到公共空間。
此前的語音交互主要是近場交互或較安靜條件下的遠(yuǎn)場交互，場景局限于拿在手上的手機、安靜的室內(nèi)。鄢志杰團隊在擴展室外公共空間場景做了很多努力，并將創(chuàng)新的多模態(tài)語音交互技術(shù)通過阿里云輸出，解決公共空間嘈雜環(huán)境下的遠(yuǎn)距離語音交互問題。
去年10月，阿里云與上海地鐵展開合作，首次推出了語音售票概念，并已于今年3月正式落戶上海南站供市民使用。乘客只需告訴機器你想去的目的地，就會自動調(diào)用云端的高德地圖服務(wù)，檢索完成并自動出票，全程不過數(shù)秒鐘。
鄢志杰表示，地鐵是一個很嘈雜的空間，且會出現(xiàn)多人并排買票的情況，阿里巴巴的解決方案是重新設(shè)計了語音交互硬件的麥克風(fēng)陣列、還添加了光學(xué)攝像頭來識別說話人，解決這一獨特場景的問題。
類似的場景還有很多很多：浙江省100多家法院上線了阿里云智能語音識別系統(tǒng)；今年5月的云棲大會武漢峰會上，阿里云在現(xiàn)場相當(dāng)嘈雜的環(huán)境中成功演示了AI點餐技術(shù)；據(jù)雷鋒網(wǎng)了解，即將召開的2018杭州·云棲大會上，阿里云還將攜手肯德基展示智能點餐機體驗區(qū)......
物聯(lián)網(wǎng)是一塊大蛋糕，雖然巨頭都在布局，但是各自的角色還是有所不同，有人在做硬件、有人在做系統(tǒng)、有人在做品類。阿里的特色在于電商，無數(shù)的硬件廠商在阿里的平臺上銷售，他們都可以接入阿里平臺，可以獲得阿里的語音交互技術(shù)；此外，阿里也在做自己的硬件，比如天貓精靈；阿里的線下支付場景更是獨一無二，對語音交互也有強烈需求。
雖然目前競爭很激烈，但是鄢志杰認(rèn)為語音交互技術(shù)落地，還是需要找到強場景、要有用戶的主動訴求、要有大規(guī)模的市場。鄢志杰認(rèn)為目前市面上的一些語音交互應(yīng)用噱頭成分居多，具備這三種條件的場景其實并不多，需要更多探索。
在人工智能火熱的當(dāng)下，語音技術(shù)作為基礎(chǔ)技術(shù)，發(fā)揮著猶如水、電、煤的力量。各大巨頭都在布局這個賽道，爭奪人才是攻堅戰(zhàn)的第一步。
關(guān)于人才，鄢志杰曾談到，“語音這個圈子實在太小了，大家互相都認(rèn)識，更多是靠我們自己圈子里的口碑，大家知道你們積聚了一類什么樣的人，就能聞到你這個團隊的風(fēng)格，跟他想去做的事情以及做事的方式。圈外人很難說立一塊牌子就說我今天要做一個一流的語音團隊，所以我們此前的招聘更多還是依靠圈子里的口碑，以高手吸引高手的方式來招聘，雖然我們也做了招聘廣告，但很少有人是看了廣告直接就來的?！?/p>
阿里的語音團隊目前承擔(dān)著很重的職能和責(zé)任，但也是一步步成長起來的，這種成長性是能被看到的，去吸引更多想要實現(xiàn)自己的目標(biāo)的人加入。鄢志杰也開玩笑地說道：“各大公司的語音團隊也有不同的特點，有的團隊天生大一統(tǒng)，會缺少危機和壓力，有的天天賽馬，容易關(guān)注短期結(jié)果，也造成很多重復(fù)投資，技術(shù)上小打小鬧?！?/p>
最后，雷鋒網(wǎng)編輯請教了鄢志杰對現(xiàn)在語音行業(yè)整體的看法。他談到：“接下來的幾年可能會去偽存真。因為過去幾年AI太熱，會有一些生拉硬拽的所謂的人工智能技術(shù)應(yīng)用冒出來。所以現(xiàn)在我覺得慢慢隨著新的資本追逐的熱點涌現(xiàn)，AI在慢慢的回歸理性。這是一個去偽存真的過程，會有一些AI真正的產(chǎn)生價值的應(yīng)用通過大浪淘沙留下來，這對于行業(yè)的健康發(fā)展是有好處的?！?/strong>
相關(guān)文章：
專訪鄢志杰：阿里全面進(jìn)軍 IoT，語音交互能做什么、將做什么？
專訪阿里 iDST 語音組總監(jiān)鄢志杰：智能語音交互從技術(shù)到產(chǎn)品，有哪些坑和細(xì)節(jié)要注意？
雷峰網(wǎng)原創(chuàng)文章，未經(jīng)授權(quán)禁止轉(zhuǎn)載。詳情見轉(zhuǎn)載須知。
