訊飛馬嘯：語音助手應該先在垂直市場發力

訊飛董事長劉慶峰在今年兩會上說：「我們做了一個叮咚音箱，在京東這個平台上，銷量排名不光是第一，還超過了第二名到第十名的總和，但它的影響力跟亞馬遜相比，差距還挺大，我們在這個產品還沒有樹立訊飛在行業中這麼大的名氣。」

換句話說，Amazon Echo 碾壓的不是某個廠商，而是整個行業。

今年年初，亞馬遜宣布Alexa 智能語音助手平台已經擁有超過 10000 項「技能」，相比去年同期，增長了近百倍。用戶已經開始議論哪個「技能」更好用，甚至還有科技媒體列出了最受歡迎的「技能」排行榜。

此情景，像極了當年拉開移動互聯網序幕的 APP Store。

根據 CIRP 報告，截止到 2017 年 1 月，Amazon Echo 用戶已達到 820 萬。同時，幾乎所有國外 IT 巨頭都相繼進入了這個市場。人們紛紛猜測，在 Amazon Echo 暫未入華的這段空窗期，誰最有可能複製同樣的成功。

帶著這個問題，雷鋒網採訪了科大訊飛靈犀事業部總監馬嘯。他多次強調，訊飛是一家以技術見長的公司，在語音交互並未全面爆發道阻且長的背景下，他們不會追求大而全，而會向垂直場景滲透。

以下是馬嘯採訪實錄，雷鋒網做了不改變原意的刪減：

雷鋒網：每個語音助手都說自己的識別率是最高的，難道行業沒有明確的測量標準嗎？

馬嘯：有一些行業標準，但也要分不同的環境來討論。比如在實驗室環境下、在安靜環境下、在有噪音環境下測量出來的識別率是不同的。訊飛在實驗室環境下99%以上都能做到，鎚子發布會上的識別率是97%，車機系統上能夠達到90%以上，識別率跟場景、雜訊、口音等都有關係。

其實不管識別率如何，語音助手的好壞還是要回歸到用戶體驗本身，大家心裡都有一個判斷標準：

1、能聽懂我說的話；

2、能給我們帶來幫助。

如果只是閑聊一下，那麼它的商業價值並不是很高的。

雷鋒網：為什麼不同的訊飛產品在識別率上有很大差別？

馬嘯：這要分三個方面講。

第一個是面向場景的優化，這個有專門的語音模型。面向領域的比如演講、聊天，面向場景的比如車載、會議以及手機近場說話的語音模型都是不盡相同的，演講、聊天以及對著手機說話的語音模型都是不盡相同的，發布會上的那套系統就有面向會議的場景優化。

第二個硬體降噪。手機的降噪能力是比較弱的。而訊飛聽見那套系統下面有好幾個麥，各個角度，我們有聲學實驗室專門研究這個。

手機上在遠場的識別率不如記錄會議時那麼高，原因就在硬體這，手機上並沒有面向遠場識別

的麥克風陣列，手機廠商考慮到成本一時半會是不會加的，這在產業方面的改變是要有一個過程的，隨著我們把一些麥克風降噪的技術和產品標準輸出出去，行業里逐步認可這個標準，才能更加的支持我們。但是這個改變又是非常困難的。不過我感覺這是個趨勢，以後會慢慢好起來。

第三個是軟降噪，也就是演算法本身可以回聲消除。雖然我們可以將軟體放到不同的硬體里，但是也受制於硬體的處理能力。比如說一個非常低廉的麥克，後面沒有一個MCU，這個時候在跟它對話的時候，它只能把音不作處理的傳過來，如果沒有處理晶元的話，有可能效果就不好，這是很正常的。

雷鋒網：訊飛里提供語音服務的各個產品團隊在人員配置上有交集嗎？

馬嘯：訊飛聽見、靈犀語音助手、錄音寶這些產品都有各自的硬體團隊，但底層演算法方面的技術都是訊飛研究院提供的，出產品的時候，業務部門都跟後端的研究院有緊密協作的關係。

雷鋒網：能否評估一下Alexa的中文識別水平？

馬嘯：現在大部分語音識別都基於深度神經網路，它需要大量的數據來訓練，還有面向不同語言的針對性演算法優化和語義後處理技術，中文的多音字較多和容易產生歧義的語句也很多，還有方言等等。所以，中文跟英文識別還是有所區別，針對中文，還需要做很多優化。

所以這裡有兩點，一個是誰更了解中文，在演算法調教上就有一定的優勢；一個是誰佔有更多的語料誰就能識別的更精準。訊飛在這兩方面都是有很大優勢的。

但是現在深度神經網路已經可以保證識別率在80%~90%了，這現在是及格線，以前如果沒有深度神經網路，沒有海量語料積累的話，連60%都做不上去。所以現在你要問Alexa做普通話的識別怎麼樣，因為他們中文產品還沒有上市，所以不太好評價，但總體來看他們也做好也是有難度的。

雷鋒網：語音助手打不開相關APP，這個是技術問題還是商業問題？

馬嘯：就是沒打透，這是商業問題。為什麼在垂直領域的接入會出現這樣的問題，我認為這是all in one和one in all之爭。

比如地圖吧，高德和百度都使用我的語音能力，這是one in all，就是我的語音in all所有的app，我們把語音能力給他們，去壯大他們的客戶端，這符合那些垂直領域公司的估值模型和商業訴求。

第二個是all in one，就是所有的服務在語音助手上面呈現，all in one相當於對他們來講是渠道，給他導流就好了，有些公司願意被導流，有些公司不願意被導流。

雷鋒網：在做智能音箱的過程中，訊飛的主要考量是什麼？

馬嘯：音箱要看它的主要功能是什麼，如果就是放音樂的話，不考慮政策方面的因素，Amazon只需要把版權這件事情做好就行了。但如果要想提供一個智能入口服務的話，實際上路還很長。因為相比海外，中國的互聯網又是一套生態系統。比如說如果出門要叫一輛車的話，在海外它對接的是Uber，在國內它就要和滴滴來談，相當於重新開始。

其實這個困難對於訊飛來說也是同樣的，所以我們一直也在反思，智能助手到底該怎麼做？我們思考得到了一些心得，那就是做大而全的事情目前來看是沒有意義的。

現在中國的互聯網市場，點評、出行，每個都是大公司，他們憑什麼分享自己的數據？除非是給他導流，但這又會影響到用戶體驗。所以我個人覺得我們應該走到垂直領域去做事情。

雷鋒網：用戶認為語音助手是全能的，但如果它卻只能叫車，不能點餐，會不會讓他們很失望？

馬嘯：這是我們一直在考慮的問題。這是個博弈，與其讓用戶失望，還不如一開始就讓用戶覺得你就是在某一個垂直領域做的很出色，然後再逐漸擴展領域，也可以把功能開放給開發者，讓群體來貢獻智能。

雷鋒網：你們認為語音助手落地的最佳方式是什麼？

馬嘯：我覺得一定要分不同的場景。「互聯網女王」Mary Meeker 在2016年的報告裡面有一大篇幅都講語音，她說美國人是在什麼場景下使用語音的，最主要的前三個場景是車、家庭和on the go。我的理解on the go就是在走路，或者是跑步。

語音的信息傳遞是單向的，並且效率低。但是語音的命令是快的，打開引擎，說把電話號碼發給誰，這個東西對手機立馬就操控出去了。

這就造成了語音僅在弱視覺交互的情況下是剛需。什麼是弱視覺交互？比如做飯，開車，跑步，這種場景下語音才是真正的剛需。

再回到問題，未來到底落地方式是電視還是音箱，我覺得都不重要，未來在家裡面應該有一個東西去承載語音，甚至它不存在都可以，把家裡全部布上麥克風是不是就可以了？

當然如果現階段只能落地一個場景，那麼音箱是個好的選擇。它可以放在一個比較自由的位置上。

雷鋒網：你們認為未來成熟的語音助手是個什麼樣的狀態，目前的規劃是什麼？

馬嘯：我們的判斷就一句話：每個人都有一個能理解他的隨身智能助手，不是人，是個機器人，或者別的形態，無所謂。這個目標該怎麼達成？我認為幾個必要條件。

• 第一，要充分理解用戶，這是自然語言理解等人工智慧技術要解決的問題。

• 第二，用戶所說的所有服務我能跟得上，這是資源對接的問題。

• 第三，用戶所有的信息我都能夠知道，這是用戶畫像的問題。

• 第四，雲+端，形態無所謂，音箱也好、電視也好，這是服務形態的問題

這個戰略終局現階段是看不到的，也許未來技術達到一個閾值以後才可以。那回到現在該怎麼辦？我認為要回到確定的場景，就是車載、家庭、戴著耳機on the go，這樣的話，技術難度就大大縮小。我覺得這個階段是我們通過投入更多的人力、物力可以做到落地的。