雷鋒網(wǎng)按：本文作者袁媛，來自微信公眾號“聲學(xué)在線”（ID：soundonline）。

1、國內(nèi)外巨頭相繼進入語音交互領(lǐng)域

去年10月份，Intel與科大訊飛宣布合作共同研發(fā)AI芯片，該芯片將麥克風(fēng)陣列、遠場語音識別等功能集成到SOC當(dāng)中，形成完整的遠場語音交互鏈條，此次合作正式宣告Intel也將進入智能語音交互市場。

此前，科大訊飛的麥克風(fēng)陣列等硬件一直委托國內(nèi)的全志科技研發(fā)，全志科技顯然是ARM陣營的追隨者。然而，根據(jù)Intel內(nèi)部人員的透露，科大訊飛對于和國內(nèi)芯片廠商的合作并不完全滿意，語音交互市場競爭激烈，而國內(nèi)初創(chuàng)公司如聲智科技等，在麥克風(fēng)陣列技術(shù)和方案方面帶給訊飛不小的壓力，這近一步促成了科大訊飛與國外芯片巨頭Intel的聯(lián)盟，希望與Intel聯(lián)合的芯片計劃從根本上扭轉(zhuǎn)這個趨勢。

今年2月份，百度宣布全資收購渡鴉科技，創(chuàng)始人呂騁攜團隊正式加盟百度，并出任百度智能家居硬件總經(jīng)理，向百度集團總裁和首席運營官陸奇匯報。陸奇同時宣布原度秘團隊升級為度秘事業(yè)部，加速人工智能布局。陸奇指出，憑借語音與對話技術(shù)的優(yōu)勢，百度在引領(lǐng)新一代人機交互平臺上將擁有巨大的機會，自然語言和其他智能交互方式有可能出現(xiàn)在從手機到家居的每一個設(shè)備中。百度通告還顯示，百度高級總監(jiān)景鯤和首席架構(gòu)師朱凱華將擔(dān)任事業(yè)部的核心管理層。

而近日，據(jù)彭博社報道，華為在深圳有一個超過100名工程師的團隊正在開發(fā)語音助手服務(wù)，開發(fā)工作目前還處于早期階段。華為語音助手項目目標(biāo)宏大，瞄準(zhǔn)蘋果Siri、亞馬遜Alexa和Google Assistant。華為語音助手定位中文，面向國內(nèi)用戶，在海外市場將繼續(xù)與谷歌和亞馬遜合作。

同樣，三星在語音助手領(lǐng)域更是積極布局，2016年10月份收購了Viv，同時以80億美元收購哈曼國際，隨后又聯(lián)合GPU巨頭英偉達投資SoundHound。SoundHound是一家致力于語音識別與搜索的初創(chuàng)科技公司，最初要服務(wù)是提供和音樂有關(guān)的信息。

Facebook 創(chuàng)始人扎克伯格也在2016年自己花費 100 小時完成了 AI 管家 Jarvis 的開發(fā)。扎克伯格及家人可用語音向手機或計算機下達語音指令，實現(xiàn)燈光、溫度、電器、音樂和安防設(shè)備的控制操作。Jarvis系統(tǒng)具備的學(xué)習(xí)功能可使其識別主人的偏好模式、學(xué)習(xí)新詞匯與相關(guān)概念。

隨著亞馬遜、谷歌、微軟相繼在語音交互設(shè)備上發(fā)力，市場已經(jīng)看到了這一領(lǐng)域的無限潛力。語音作為人類交流最自然的方式，比文字和圖像更具天然的優(yōu)勢。尤其是亞馬遜Echo的成功，把人們帶到了了無屏?xí)r代的門檻。日前，亞馬遜創(chuàng)始人貝佐斯接受專訪提到，Alexa已經(jīng)成為亞馬遜的核心戰(zhàn)略之一，其估值可能接近百億美元。

而蘋果在這場戰(zhàn)爭中則另辟蹊徑，選擇從智能耳機入手。近日市場調(diào)研公司Slice Intelligence發(fā)布的美國無線耳機市場線上銷售情況報告也證實了這一點。短短的一個月內(nèi)，蘋果AirPods就異軍突起占據(jù)了美國無線耳機26%的市場份額。該報告顯示，AirPods發(fā)售前，無線耳機市場基本由Beats和Bose占據(jù)主導(dǎo)地位；但在AirPods發(fā)售后，市面上前十大無線耳機品牌中，除了Bose的市場份額有所增長外，其他品牌地市場占有率均不同程度地縮水，其中甚至包括曾經(jīng)稱霸無線耳機市場多年的AirPods“同門師兄”Beats。

至此，幾乎國內(nèi)外所有IT巨頭都相繼進入了語音交互市場，包括谷歌、蘋果、微軟、亞馬遜、Facebook、三星、阿里、百度、騰訊、華為、科大訊飛等等，國內(nèi)也陸續(xù)出現(xiàn)了思必馳、云知聲、聲智科技、三角獸、驀然、Rokid等創(chuàng)業(yè)公司，語音助手成為了非?；鸨脑掝}，幾乎掀起了全行業(yè)研究亞馬遜Echo的熱潮。

2、語音交互市場趨勢和規(guī)模已被普遍認可

VoiceLabs近日發(fā)布了《2017年語音報告》（The 2017 Voice Report）。報告對亞馬遜Alexa和谷歌Google Home的開發(fā)者和消費者進行了調(diào)查，總結(jié)了目前的智能語音市場，并對2017年的趨勢做出預(yù)測。2017年，語音產(chǎn)業(yè)結(jié)構(gòu)將按照硬件產(chǎn)品、AI軟件、語音應(yīng)用Apps、生態(tài)系統(tǒng)服務(wù)相結(jié)合的架構(gòu)繼續(xù)向前發(fā)展。預(yù)計2450萬臺以語音為主要交互方式的智能硬件產(chǎn)品發(fā)貨，市場總量將達到3300萬臺，市場規(guī)模超過200億美元。而對各種智能語音助手以及語音交互app而言，競爭將更加激烈。

亞馬遜于 2014 年底推出智能音箱 Echo，如今已成為美國使用最廣的智能家居產(chǎn)品。根據(jù) CIRP的報告，自 2014 年 11 月發(fā)布到 2017 年 1 月，亞馬遜 Echo 系列（包括 Echo、EchoDot 和 Tap）用戶已達到 820 萬，同比增長 2 倍，較 2016 年 11 月時的數(shù)據(jù)增長 60%。而公司 2017 年的銷量目標(biāo)是 1000 萬。銷量激增的背后是 Echo 正迅速從早期用戶 的小眾圈子進入大眾市場。

從產(chǎn)品銷量，技術(shù)進展，到相關(guān)創(chuàng)業(yè)公司的興起，以及資本市場的頻繁運作，種種跡象表明，智能語音交互市場的趨勢已經(jīng)明朗，語音是AI領(lǐng)域中最先落地的應(yīng)用之一。這從電子技術(shù)發(fā)展歷程中也可參考類比，以語音為核心的電話是20世紀(jì)最偉大的發(fā)明之一，而其后相當(dāng)長的時間才出現(xiàn)以視頻為主的電視，移動電話同樣遵循了這個規(guī)律。從物理層面來看，語音信號無論是從數(shù)據(jù)量還是計算量方面都低于視頻信號，這在趨勢剛興起的時候，更容易適用于遠未標(biāo)準(zhǔn)化的硬件體系，但是隨著技術(shù)的發(fā)展，多傳感的融合仍然是根本趨勢。

3、語音交互的全球競爭態(tài)勢初顯

VoiceLabs 預(yù)測，亞馬遜或谷歌今年會通過類似手機上的推送通知來加強新應(yīng)用的分發(fā)，并試圖解決用戶留存率低的問題，2017 年也將是語音應(yīng)用貨幣化的起步元年。當(dāng)智能語音助手充分了解“主人”需求之后，應(yīng)有能力在合適的時間主動提示合適的應(yīng)用，既提高用戶的使用價值，又解決了語音應(yīng)用的分發(fā)留存問題。

從全球來看，亞馬遜Echo最著名也最有競爭力的對手當(dāng)屬谷歌的Google Home。Google Home自2016年推出以來，一直與Echo明爭暗斗，爭搶智能家居中樞的角色。通過亞馬遜和谷歌在美國“超級碗”投放的電視廣告就能體會到這種競爭的激烈，兩家不約而同地打出了溫馨家庭“懶生活”牌，突出產(chǎn)品智能管家的功能。

美國市場調(diào)查機構(gòu)Slice Intelligence近日發(fā)布的一份報告，對在線購買Echo消費者的性別、年齡、購物習(xí)慣等特征進行了統(tǒng)計。某種層面上，這意味著Echo在消費者眼中不再是只有極客和技術(shù)控才感興趣的“玩意兒”，而是獲得廣泛認同的大眾消費品。當(dāng)電子消費品獲得了女性用戶的認可，并且呈現(xiàn)出女性消費者占據(jù)市場購買主導(dǎo)優(yōu)勢后，產(chǎn)品將逐漸成為成熟品類，并迅速出現(xiàn)銷量攀升態(tài)勢。

Google已經(jīng)意識到與Amazon的差距，盡力通過收購等方式快速彌補這種差距。2017年1月初，谷歌宣布收購Limes Audio，并表示將會把Limes Audio集成到自己的視頻會議解決方案中，為客戶提供低成本、高質(zhì)量的音頻體驗。「 Limes Audio總部位于瑞典于奧默，成立于2007年，業(yè)務(wù)重心為提高雙向語音通話系統(tǒng)的語音質(zhì)量。Limes Audio專注語音信號處理，該公司開發(fā)的TrueVoice音頻軟件套件通過回聲消除、環(huán)境降噪及自動混音等技術(shù)，改善通信中的語音質(zhì)量。」

反觀國內(nèi)，類似Echo的產(chǎn)品始終沒有吸引到消費者的眼球，一般來說，國內(nèi)相比國外市場有6-18個月的延后，但是以國內(nèi)的技術(shù)水平來看，可能需要的時間更長一些。國內(nèi)在語音助手方面的布局略顯不足。科大訊飛雖然從技術(shù)鏈條上最為完善，也推出了類似Echo的叮咚產(chǎn)品，但是市場反響一直沒有達到預(yù)期。

百度、阿里、騰訊、360也極大投入做了布局，但是技術(shù)鏈條仍不完善，產(chǎn)品和服務(wù)始終沒有很好的落地。即便在技術(shù)環(huán)節(jié)，國內(nèi)活躍的創(chuàng)業(yè)公司相比國外也少了很多，語音識別領(lǐng)域主要還是云知聲和思必馳，NLP領(lǐng)域主要是三角獸、驀然、竹簡等，而融合語音感知和語音識別主打底層邏輯的創(chuàng)業(yè)公司還僅有聲智科技一家，顯然技術(shù)也制約了國內(nèi)智能音箱的產(chǎn)品進度。

還有一個值得關(guān)注的消息，華爾街日報援引消息人士的說法，亞馬遜和谷歌都在研究為其智能音箱增加語音通話功能，該功能預(yù)計將于今年推出。如果這一計劃能夠成功實施，無疑將進一步提升智能家居的體驗。

4、語音交互將會帶來哪些根本性變化？

從當(dāng)前Amazon、Google、Apple的市場實踐來看，智能語音交互至少在三個領(lǐng)域帶來了根本性的變化：

智能語音交互將改變音樂分發(fā)的格局

音樂行業(yè)是亞馬遜還沒有征服的一個領(lǐng)域，亞馬遜早期在CD零售上的領(lǐng)頭羊地位因為MP3盜版的影響而不復(fù)存在。在音樂數(shù)字下載的年代，亞馬遜在音樂銷售上被蘋果的iTunes商店超越。在2005年亞馬遜進行過一次音樂流媒體的內(nèi)部嘗試，但是在產(chǎn)品正式發(fā)布前就被叫停了。這給市場留下了一個空白，而現(xiàn)在這個市場被Spotify和Apple Music占據(jù)，它們各自有著4000萬和2000萬的用戶。亞馬遜為了抓住更多耳朵的最新嘗試是在2016年10月發(fā)布的Amazon Music Unlimited，這是一項基于訂閱的流媒體服務(wù)。

亞馬遜的數(shù)字語音助手Alexa將會是決定Amazon Music Unlimited能否成功的關(guān)鍵因素。Alexa使用的精巧的語音識別算法在過去幾年中逐漸成為了行業(yè)中的領(lǐng)先技術(shù)。得到這樣的領(lǐng)頭羊地位后，貝佐斯努力嘗試將Alexa推向更多的應(yīng)用領(lǐng)域最開始是通過它的亞馬遜Echo音響設(shè)備，而后又把Alexa集成在小型化后的Echo Dot中。Echo Dot一舉成為了亞馬遜在過去一個假期中銷售表現(xiàn)最好的產(chǎn)品。貝佐斯的狂熱也傳染給了音樂行業(yè)，許多音樂節(jié)的高管們都對這些設(shè)備贊不絕口。

蘋果由于意識到Siri在遠場技術(shù)與Alexa的差距，選擇以近場語音交互為主的AirPods智能耳機為切入點發(fā)力，相比音箱，耳機的利用率更高。所謂的智能家居，總是寄托于“家”的。一個家庭或許只需要一臺智能音箱，但耳機則是更個人化的物品，每個家庭成員都可能擁有不止一副耳機。而且，耳機作為一種已經(jīng)被廣泛接受的可穿戴設(shè)備，有更多更自然的應(yīng)用場景。耳機的便攜性使其更有潛力成為一種“無縫陪伴式”的智能產(chǎn)品。AirPods最為核心的功能也是利用Siri增強蘋果音樂分發(fā)的能力。

從亞馬遜和蘋果的實踐角度來看，Alexa成為了音樂分發(fā)的重要渠道，這對于國內(nèi)仍然在困境之中的在線音樂行業(yè)是一個值得深入思考的事情。

語音交互將會成為下一代搜索的核心

毫無疑問，通過語言交流獲取知識是人類最有效的學(xué)習(xí)方式。搜索從PC時代的搜索框到移動時代的APP，其實都是在向著精準(zhǔn)搜索的方向發(fā)展，而語音交互天生就有這兩種優(yōu)勢。從Amazon Echo和Google Home的用戶群體分析，小朋友更是喜歡這種知識學(xué)習(xí)方式，而習(xí)慣就是這樣逐步被改變。Google是最早認識到這一點的巨頭，典型的舉措便是把最有現(xiàn)金流的Google搜索納入到母公司Alphabet中。

語音交互可能會改變社交領(lǐng)域的格局

國內(nèi)外社交領(lǐng)域似乎很難再有新的變化，但是隨著Amazon Echo和Google Home的崛起，用戶已經(jīng)強烈建議增加語音通話功能，蘋果的AirPods顯然天生就具有了通話的功能。這就產(chǎn)生了一個問題，Amazon和Google會接入現(xiàn)有的社交軟件嗎？蘋果是不是也要通過AirPods繼續(xù)強化自家軟件的社交能力？至少，這也是值得國內(nèi)各大巨頭深入思考的問題。

5、語音交互技術(shù)和市場還有哪些不足？

國內(nèi)普遍不太看好智能語音交互市場的原因其實很簡單：體驗不好，市場還早。的確，當(dāng)前的語音交互技術(shù)，特別是遠場語音交互技術(shù)還沒有完全成熟，就連Echo至多也就是80分的水準(zhǔn)。這主要是由于語音交互涉及了非常復(fù)雜的技術(shù)鏈條，包括了聲學(xué)處理、語音識別、語義理解和語音合成等核心技術(shù)。

聲學(xué)處理主要是仿真人類的耳朵，保證機器能夠聽得準(zhǔn)真實環(huán)境下人的聲音，語音識別則是把聽到的人聲翻譯成文字，語義理解則分析這些文字的意義，語音合成就把機器要表達的文字翻譯成語音。這四項技術(shù)雖然獨立發(fā)展，但實際上無法割裂，同時在其他技術(shù)的配合下，才能形成一次語音交互的完整鏈條。

從當(dāng)前的技術(shù)水平來看，這四項技術(shù)已經(jīng)達到了商業(yè)初級可用的階段，但是距離我們滿意還應(yīng)該有3-5年時間的距離。即便是被國內(nèi)幾家公司號稱最為成熟的語音識別，其實也處在近場到遠場的技術(shù)升級期。

以Siri為代表的近場語音識別已經(jīng)發(fā)展了60多年，特別是在2009年以后借助深度學(xué)習(xí)有了實質(zhì)性提高，但是正如扎克伯格所說的，當(dāng)真正產(chǎn)品落地的時候，我們發(fā)現(xiàn)用戶真正需要的卻是類似Echo所倡導(dǎo)的遠場語音識別。顯然，這又是一個嶄新的技術(shù)領(lǐng)域，因為拾音距離的擴大帶來的問題不僅僅是語音信號的衰減，而且還帶來了復(fù)雜的真實環(huán)境以及復(fù)雜的用戶習(xí)慣。

以Siri為代表的近場語音識別要求必須是低噪聲、無混響、距離聲源很近的場景，比如用戶總是要對著手機講話才能獲得符合近場語音識別要求的聲音信號，同時還要求用戶滿足標(biāo)準(zhǔn)發(fā)音，其識別率才有可能達到95%以上。但是，若聲源距離距離較遠，并且真實環(huán)境存在大量的噪聲、多徑反射和混響，導(dǎo)致拾取信號的質(zhì)量下降，這就會嚴(yán)重影響語音識別率。同樣的，我們?nèi)祟愒趶?fù)雜遠場環(huán)境的表現(xiàn)也不如兩兩交耳的竊竊私語。

通常近場語音識別引擎在遠場環(huán)境下，若沒有聲學(xué)處理的支持，比如麥克風(fēng)陣列技術(shù)的適配，其真實場景識別率實際不足60%。而且，由于真實場景總是有多個聲源和環(huán)境噪聲疊加，比如經(jīng)常會出現(xiàn)周邊噪聲干擾和多人同時說話的場景，這就更加重了語音識別的難度。因為當(dāng)前的語音識別引擎，都是單人識別模式，無法同時處理多人識別的問題。

遠場語音交互技術(shù)正在逐步成熟，Amazon通過Echo已經(jīng)證明了遠場語音交互已經(jīng)邁過用戶可接受的門檻，而國內(nèi)的科大訊飛和聲智科技也在發(fā)力這個領(lǐng)域。

從市場層面來看，語音交互毋庸置疑是繼鍵盤、鼠標(biāo)和觸摸屏之后的主流交互方式，但是距離真正走入國內(nèi)市場還總是差那么一點。技術(shù)鏈條僅僅是其中一個小部分原因，從戰(zhàn)略認知、資金投入到需求挖掘，國內(nèi)公司都欠缺了很大的火候，而國內(nèi)各大巨頭更應(yīng)該在戰(zhàn)略決心和技術(shù)鏈條上發(fā)力。智能語音交互的全球競爭之中，國內(nèi)的AI巨頭似乎才剛剛蘇醒。

雷峰網(wǎng)特約稿件，未經(jīng)授權(quán)禁止轉(zhuǎn)載。詳情見轉(zhuǎn)載須知。