0
雷鋒網(wǎng)按：本文作者李智勇，聲智科技聯(lián)合創(chuàng)始人，十年棧道程序員，有一個好玩的公號：zuomoshi（琢磨事）。本文為雷鋒網(wǎng)首發(fā)文章。
關(guān)于遠場語音交互，聲智科技 CEO 陳孝良告訴雷鋒網(wǎng)：“語音是最簡單、最自然的人機交互方式，同時也是技術(shù)難度最大的交互方式，特別是語音交互從近場走向遠場落地到真實場景，必須考慮噪聲、混響、回聲等聲學(xué)問題，以及數(shù)據(jù)差異引入的機器學(xué)習(xí)模型問題，這些都是保證自由人機交互的核心技術(shù)?！?/strong>
但是網(wǎng)絡(luò)上橫跨聲學(xué)和計算機學(xué)科的教育資源太少，李智勇老師的這篇文章不僅揭示了遠場語音交互的核心技術(shù)，還對商業(yè)化落地的路徑進行了深入的解讀，無論是語音交互的技術(shù)人員，還是產(chǎn)品經(jīng)理，都值得一讀。
手機之后國外各大巨頭非常罕見的步調(diào)一致的在做同一件事情：智能音箱。而這一切最初的驅(qū)動力來自于Amazon Echo，但有意思的事情是Amazon Echo這產(chǎn)品根本沒做任何的功能上的創(chuàng)新，聽歌、看新聞、設(shè)鬧鐘、說笑話、控制家電等所有東西都可以在手機上找到替代品，它唯一的變化只是把語音交互的方式從近場升級為遠場，并把精度和速度打磨到非常優(yōu)秀的程度。只是這么一點點變化，似乎就要創(chuàng)造一個無比巨大的行業(yè)，那遠場語音交互為什么有這么大的威力？
極端的講法是世界上并不存在一種方式叫近場語音交互，語音交互基本等價于遠場語音交互。事實證明過去很多年里各種近場語音交互的嘗試（比如Siri）并沒獲得很好的進展，甚至簡單實用的語音輸入法也沒能成為主流。從應(yīng)用場景來看遠場和近場的核心差別是拉開和語音設(shè)備的距離后，雙手再也沒用了。這樣和觸屏就可以徹底的差異化，可以徹底的發(fā)揮語音的快捷優(yōu)勢。想象下面的場景：
在微信里給一個人打視頻電話，如果用手機那是下面這樣的過程
如果變成遠場語音，那核心步驟會變成兩個
顯然在這兩種場景下便利程度是完全不一樣的，這種便利理論上講在近場的情形下同樣存在，但核心點在于近場時就需要挑戰(zhàn)用戶根深蒂固的觸屏習(xí)慣，這很難。觸屏雖然大流行，但顯然并沒能在筆記本上挑戰(zhàn)鍵盤鼠標的既有地位。這不單是偏好問題，也與各種應(yīng)用與特定交互方式的綁定有關(guān)。觸屏雖然好用，但并不能完全在Office上用起來，所以如果Office根深蒂固，那么鍵盤鼠標就根深蒂固。所以我們說，語音交互基本等價于遠場語音交互，一旦它真的成為主流交互方式，培養(yǎng)了用戶習(xí)慣，那反過來才可能在近場的場景（比如近場的Siri）下占有一席之地。
遠場語音交互如果變的無處不在，那Amazon Alexa（以及同類產(chǎn)品）會變成新一代的Android，那個時候整個生態(tài)會像下面這樣：
這個時候Alexa這樣的系統(tǒng)同時覆蓋了傳統(tǒng)上Android和應(yīng)用商店的角色，在其上面則會有新的今日頭條、新的O2O等。而如果要把Alexa所依托的技術(shù)進行細分的話，那么基本上是三層：
前端的聲學(xué)部分（算法+陣列）
識別
NLU
這樣一來遠場語音交互就正好面臨一大一小兩個瓶頸：
第一個瓶頸是眼下就要解決的問題，即在語義仍然有限制的條件下，打造偏命令控制的產(chǎn)品，這個時候產(chǎn)品的ID很難擬人化（想想Echo，Airpods這些產(chǎn)品），一旦擬人用戶的潛在期望就會無限拔高，你也就不可能做出非常滿足用戶體驗的產(chǎn)品。
第二個瓶頸則具有一定的不確定性，具有探索性質(zhì)，我們?nèi)匀贿€不知道什么時候自然語言理解中可以體現(xiàn)出真的智能，但確實只有這點做了突破，并且同計算機視覺進行融合才能真的做好擬人的機器人。
而為了解決第一個瓶頸事實上需要做好的事情有兩個：
一個是前端聲學(xué)算法軟硬件的持續(xù)優(yōu)化
一個是通過獲取的數(shù)據(jù)重新訓(xùn)練云端的ASR
這個過程可以用下圖橙色的部分來概括。
上述這個看著并不太長的鏈條其實復(fù)雜度非常高，它即跨越不同的學(xué)科（聲學(xué)部分屬于經(jīng)典物理，識別部分則屬于CS），也需要打穿軟硬件。
在算法層面只是前端就需要處理大量經(jīng)典問題，比如降噪、去混響、回聲抵消、Beamforming等。加不加這些算法的音頻信號差異極大，如：
（具體效果試聽可以參照http://soundai.com/demo.html）
而我們經(jīng)常說的麥克風(fēng)陣列即使拋開算法不論，單只在硬件層次上也遠不是標準品：
上圖是一款強調(diào)通用性的麥克風(fēng)陣列，通過USB連接可以隨便連接到筆記本、PAD、手機上進行使用。同樣的陣列還可以做成線性、L型、球形，最終的目的都是匹配特定的場景，讓最終遠場交互的精度最優(yōu)。
如果進一步下探，那就會出現(xiàn)更為底層的選擇，比如是用駐極體麥克風(fēng)還是用MEMS的，是用數(shù)字的還是用模擬的。
再進一步挖掘，麥克風(fēng)從特性上還可以進一步細分，比如：
所有上面這些點如果不能一一理順，那就沒法給用戶輸出一種綜合性的體驗，單點最優(yōu)在遠場語音交互這里價值很小，相當于必要不充分條件。只有能夠綜合，并且能夠優(yōu)化單點才真的能夠解決當前產(chǎn)品落地中的實際問題。
（編輯友情提醒：聲智科技即將推出的“遠場語音交互課程”中，將會對Echo進行拆解并做技術(shù)剖析，有興趣深入了解的，可以關(guān)注一下。傳送門：實戰(zhàn)特訓(xùn)：遠場語音交互技術(shù)）
幾乎所有大公司都感受到了遠場語音交互背后的價值，所以紛紛試水：繼亞馬遜、Google之后，微軟宣布了自己的智能音箱產(chǎn)品，預(yù)計蘋果也會宣布自己的相似產(chǎn)品。但是遠場語音交互的落地卻可能比大家期望的要慢。核心點就在于技術(shù)-商業(yè)上的正反饋需要一定的啟動周期。顯然的技術(shù)不好用，產(chǎn)品體驗就不好；而反過來產(chǎn)品沒銷量技術(shù)就缺乏打磨的場景，內(nèi)容配套也就不會跟上。這種互鎖狀態(tài)就會形成一個冷啟動周期，在這個周期里做技術(shù)的公司打磨自己的技術(shù)，在沒那么大量的產(chǎn)品上落地，產(chǎn)品公司則接受技術(shù)現(xiàn)實，打磨自己的產(chǎn)品。這樣一來整個遠場語音交互很可能會跑下面的曲線：
這個過程是可以和過去很多商業(yè)現(xiàn)實驗證的，比如2007年iPhone發(fā)布，小米手機則要遲到2011年，這期間的4年可以看成是智能手機的啟動期，一旦這個市場啟動后則進入一個高速增長期，小米手機的銷量迅速從2012的700多萬臺增加到2014年的6000多萬臺。
遠場語音交互的這個技術(shù)-商業(yè)正反饋當前還處在非常初期的階段，亞馬遜的Echo（各種型號）如果2017年的銷量真的逼近2000萬臺，那基本上可以認為在美國，技術(shù)-商業(yè)的正反饋第一回合完成。而在國內(nèi)，同品類產(chǎn)品銷量都還處在幾萬、十幾萬量級的水平，這個技術(shù)-商業(yè)的正反饋遠未完成。
當然這并非壞事，在格局已定的市場上，后來者是沒有機會的；只有在這種充滿未知的領(lǐng)域上，創(chuàng)業(yè)者才真的有顛覆性的機會。如果回退到20年前，聯(lián)想、門戶相對于現(xiàn)在的BAT都是巨無霸型公司，要資源有資源，要渠道有渠道，要人有人但很有意思的事情是BAT最終崛起了。
手機的觸屏把很多人塑造成了低頭族，遠場語音交互估計會塑造出許多和機器說話的人。那時候語言不再只是人和人的交互手段。
雷鋒網(wǎng)注：現(xiàn)在雷鋒網(wǎng) mooc.ai 已推出了遠場語音交互技術(shù)的實戰(zhàn)特訓(xùn)班，由語音交互專家、聲智科技 CTO 馮大航主講，為你剖析語音信號處理，麥克風(fēng)陣列信號處理，語音識別中的關(guān)鍵技術(shù)及實用技巧。為了鼓勵更多人投入語音領(lǐng)域，聲智科技提供價值1999元的 SAI_MICA_41T-UI、USB 版本的開發(fā)版給學(xué)員，增強實操練習(xí)。5月17日即將開課，感興趣的同學(xué)可點擊鏈接報名。
（完）
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。
