沈玉姍

7月26日，小米在北京國家會議中心發(fā)布首款A(yù)I音箱。在演示視頻中，小米家居生態(tài)“米家”旗下的掃地機(jī)器人、智能臺燈、空氣凈化器在“小愛同學(xué)”的語音操控下如常運(yùn)轉(zhuǎn)。這家在誕生之初曾引發(fā)中國互聯(lián)網(wǎng)地震的明星公司，在過去一年逐漸卸下光環(huán)，而由小米探索實(shí)驗(yàn)室牽頭研發(fā)的AI音箱，承載著小米布局智能家居版圖、重塑硬件生態(tài)閉環(huán)的使命。

然而，這已是最近兩月間，各個(gè)公司發(fā)布的第N款音箱了。

繼谷歌與蘋果分別發(fā)布音箱產(chǎn)品Google Home和HomePod，7月5日阿里的“天貓精靈”徹底引爆了國內(nèi)的智能音箱市場。而在此前一天，國內(nèi)最早入局的京東則再次搶先推出叮咚音箱新品TOP，對標(biāo)亞馬遜的輕量級產(chǎn)品Echo Dot。加上更早亮相的Rokid、喜馬拉雅FM，以及即將登場的騰訊，此前每年出貨量僅幾百萬臺的音箱單品，已成為當(dāng)下最火熱的網(wǎng)紅產(chǎn)品。

表面上，這是一場由Amazon Echo引發(fā)的智能音箱熱潮。實(shí)際上，產(chǎn)品背后基于語音交互技術(shù)打造的語音助手和生態(tài)體系，才是這場戰(zhàn)役的勝負(fù)關(guān)鍵。同一時(shí)間，騰訊、百度也相繼推出基于人機(jī)對話、面向軟硬件開發(fā)者和合作方的智能設(shè)備及服務(wù)開放平臺。

元璟資本合伙人陳洪亮認(rèn)為，聲音作為一種人機(jī)交互的無形界面，將成為下一個(gè)平臺級入口，帶來變革性的機(jī)會。

“小米系”的順為資本副總裁段譽(yù)表示，家庭、車載等封閉環(huán)境下的語音助手路徑在業(yè)內(nèi)來看已然清晰。從智能家居到自動駕駛，從前端硬件設(shè)備到后端內(nèi)容服務(wù)，語音交互已升級為“風(fēng)口級賽道”，被普遍視為能夠建立全新產(chǎn)業(yè)生態(tài)的下一代人機(jī)交互操作系統(tǒng)。智能音箱是這場人工智能革命席卷消費(fèi)級場景的首個(gè)載體，搶占語音風(fēng)口的戰(zhàn)爭剛剛開始。

扎堆音箱

中國音箱的集體大秀源于Echo的偶然成功。

2014年11月，亞馬遜上線業(yè)界第一款實(shí)現(xiàn)全語音交互的智能音箱產(chǎn)品Echo?；谌Z音交互開辟的全新用戶場景和應(yīng)用生態(tài)，Echo發(fā)售后在銷量和口碑上逐漸攀高，入口級地位開始顯現(xiàn)。亞馬遜隨后在首頁位置進(jìn)行渠道強(qiáng)推，Echo最終在2015年的美國“黑五”期間迎來第一波銷售高峰。

同一時(shí)間，競爭對手谷歌、蘋果公司囿于各自強(qiáng)大的移動生態(tài)，仍將語音助手視為內(nèi)置于手機(jī)、輔助觸屏交互的非核心功能。Echo由此獲得先發(fā)優(yōu)勢，并最終成為亞馬遜史上最成功的硬件產(chǎn)品。

多名業(yè)內(nèi)人士評價(jià)，Echo本身就是一次集天時(shí)地利人和的小概率事件。中國同行想要復(fù)制Echo卻不容易。

在Rokid創(chuàng)始人兼CEO祝銘明看來，當(dāng)前基于語音交互的智能音箱，必須在用戶體驗(yàn)上超出長期既有、搭載于屏幕的視覺交互，才能完成產(chǎn)品替代和用戶遷移。祝銘明此前擔(dān)任阿里巴巴M工作室負(fù)責(zé)人，牽頭深度學(xué)習(xí)、視覺和自然語言處理的研發(fā)工作，2014年7月創(chuàng)辦人工智能公司Rokid，是國內(nèi)最早研究消費(fèi)級語音交互場景的先行者之一。

事實(shí)上，音箱早已被視為是語音交互的理想終端，只是早期的產(chǎn)品形態(tài)大都在體驗(yàn)上不盡如人意。玩家們需要圍繞國內(nèi)用戶的使用習(xí)慣和場景進(jìn)行產(chǎn)品的深度打磨，才能完成智能音箱的中國式轉(zhuǎn)身。

首當(dāng)其沖的是確保音箱在音樂點(diǎn)播場景下的真實(shí)可用。Rokid北京A-Lab負(fù)責(zé)人高鵬告訴《21CBR》記者，對標(biāo)音樂APP的個(gè)性推薦功能，語音交互的優(yōu)勢在于高效直接。無論是“我要聽歌”還是“下一首”，底層算法引擎和音樂產(chǎn)品策略，時(shí)刻接收用戶指令，并綜合時(shí)間、曲庫等外部因素變化以及用戶的使用偏好，不斷糾正、生成個(gè)性化的推薦歌單。除了音樂曲庫，通過與喜馬拉雅FM合作，兒童故事、小說相聲也在Rokid的內(nèi)容體系之列。

海量內(nèi)容是各家音箱在這場年中大秀上的亮點(diǎn)，也是喜馬拉雅FM涉足音箱硬件的背后邏輯。6月，喜馬拉雅FM聯(lián)合多方發(fā)布“小雅”音箱，主打基于“一云多端”的斷點(diǎn)續(xù)播功能，能夠在多臺設(shè)備上記錄并續(xù)播此前沒有聽完的內(nèi)容。其副總裁李海波向《21CBR》記者解釋：“喜馬拉雅FM活躍用戶日均使用時(shí)長已經(jīng)超過128分鐘，（通過手機(jī)）已經(jīng)相當(dāng)高了，必須用小雅拿下更多的用戶時(shí)間?！?/p>

與歐美國家的音樂消費(fèi)主流不同，國人在有聲讀物方面表現(xiàn)出巨大的收聽熱情。李海波介紹，喜馬拉雅FM的激活用戶數(shù)有3.7億，有聲內(nèi)容達(dá)6000多萬條，并且以每天百萬條的速度不斷增長。音箱成為有聲內(nèi)容向多個(gè)生活場景延展的理想載體，但如何讓6000多萬條音頻順利到達(dá)用戶？

移動電臺的有聲讀物標(biāo)題動輒長達(dá)二三十字，音箱是每次都把字一個(gè)個(gè)讀下來，還是一旦完成檢索、識別就自動停下來開始播放？產(chǎn)品策略人性化與否，常常體現(xiàn)在細(xì)微處。團(tuán)隊(duì)為此對平臺上的音頻數(shù)據(jù)進(jìn)行前端優(yōu)化，包括語音搜索引擎的推薦排序以及內(nèi)容標(biāo)題的關(guān)鍵信息提煉。小雅音箱的語音技術(shù)提供方——獵戶星空的投資人傅盛因此感慨：“人工智能，有多少智能，就有多少人工?！?/p>

相比基于PC、手機(jī)觸屏的視覺交互，語音交互一定程度上降低了此前交互效率低的缺點(diǎn)，更適合不擅長使用手機(jī)的兒童及老人。各家廠商紛紛將故事兒歌、相聲戲曲列為重要內(nèi)容構(gòu)成。京東為此聯(lián)合新東方，于2015年10月推出了內(nèi)置泡泡少兒英語教材的“叮咚音箱”教育定制版。而在當(dāng)年5月，京東與科大訊飛組成的合資公司“靈隆科技”才剛剛推出國內(nèi)首款智能音箱“叮咚”。

教育版“叮咚”很快成為新東方線下課堂的重要教輔工具。學(xué)生使用音箱完成教材規(guī)定的朗讀作業(yè)，云端將音頻傳輸至為老師定制的手機(jī)APP，再將打分點(diǎn)評的結(jié)果自動返回給學(xué)生。此前，這樣的課后作業(yè)環(huán)節(jié)大多以學(xué)生錄制微信語音，再由家長代為上傳到班級微信群中的方式完成。靈隆科技CEO魏強(qiáng)告訴《21CBR》記者，教育版音箱在新東方全國的主要網(wǎng)點(diǎn)推廣試用后，受到了家長的普遍歡迎，學(xué)生購買比率超過50%。

2016年，叮咚音箱在中國智能音箱市場占比超過80%，魏強(qiáng)表示今年的銷量仍以100%的速度增長。Rokid也宣布，其日活躍度超過50%，用戶平均使用時(shí)長達(dá)1小時(shí)以上，為現(xiàn)有公開的音箱品類中最高。然而，中國智能音箱行業(yè)的整體出貨量仍在百萬級別，在消費(fèi)電子市場并非可觀的品類，用戶也尚未養(yǎng)成使用語音的習(xí)慣，中國智能音箱秀尚需迎接來自更廣泛的市場和用戶的檢閱。

祝銘明說：“現(xiàn)階段最迫切的問題是，除了內(nèi)容點(diǎn)播、天氣、鬧鐘等工具類功能之外，語音交互到底還適用于哪些細(xì)分場景?！?/p>

“喚醒”智能

祝銘明認(rèn)為，要實(shí)現(xiàn)自然的人機(jī)語音交互，首先要像對待朋友那樣，以兩個(gè)字的稱呼喚醒機(jī)器。

業(yè)內(nèi)對于喚醒詞的定制規(guī)則通常是4-6個(gè)漢字，音節(jié)覆蓋越長，相鄰音節(jié)差異越大，誤喚醒率越低。事實(shí)上，為保證實(shí)際使用時(shí)的喚醒效果，包括谷歌、蘋果在內(nèi)的國內(nèi)外廠商都將喚醒詞設(shè)置為3-4個(gè)音節(jié)，比如“OK，Google”和“Hi，Siri”。

高鵬告訴《21CBR》記者，為了讓雙音節(jié)喚醒詞“若琪”達(dá)到“可用水平”，Rokid團(tuán)隊(duì)耗時(shí)近一年，將不斷收集的天使用戶語料用于喚醒詞的算法模型訓(xùn)練，同時(shí)調(diào)整相關(guān)的產(chǎn)品策略，比如在本地和云端添加多道驗(yàn)證，最終將室內(nèi)環(huán)境下10米以內(nèi)的“若琪”喚醒率提升至90%以上，響應(yīng)速度控制在500毫秒。

喚醒詞門檻的高低對于用戶的習(xí)慣養(yǎng)成意義重大， 喚醒詞的背后實(shí)際上是一條完整的語音交互技術(shù)鏈：從遠(yuǎn)場交互技術(shù)、麥克風(fēng)陣列，到語音識別、理解、合成的相關(guān)算法，對應(yīng)著音箱從“聽清”、“聽懂”到最終“開口說話”的一系列步驟和相關(guān)軟硬件生態(tài)。阿里巴巴人工智能實(shí)驗(yàn)室負(fù)責(zé)人陳麗娟就將天貓精靈稱為“鏈路最長的產(chǎn)品，任何環(huán)節(jié)出錯(cuò)都會被乘數(shù)級放大”。

Rokid是業(yè)內(nèi)少有的自主研發(fā)語音技術(shù)及把控產(chǎn)品全程鏈路的公司，而更多玩家則以組隊(duì)的方式“打怪升級”，逐個(gè)擊破。

Echo被視為最重要的硬件革新，主要在于產(chǎn)品頂部的6+1環(huán)形麥克風(fēng)陣列設(shè)計(jì)，配合降噪處理、聲源定位等技術(shù)，能夠?qū)崿F(xiàn)360°語音信號采集和5-10米半徑內(nèi)的語音識別效果，大大提升了遠(yuǎn)場語音交互體驗(yàn)。Echo發(fā)售不久，國內(nèi)語音技術(shù)服務(wù)商便迅速跟進(jìn)?？拼笥嶏w為首款叮咚音箱配備了8個(gè)麥克風(fēng)的環(huán)形陣列；思必馳則推出國內(nèi)首個(gè)與Echo同源的麥克風(fēng)陣列，并為天貓精靈、小米提供相應(yīng)的麥陣軟硬件、語音識別等技術(shù)方案。

思必馳CMO龍夢竹告訴《21CBR》記者，語音交互產(chǎn)品涉及各方面因素，包括環(huán)境、用戶和產(chǎn)品本身，“以算法降噪為例，麥克風(fēng)的距離角度、聲源的定位、音箱的選型，從任何一個(gè)出發(fā)點(diǎn)考慮，都會生成很多情況，是對語音交互能力的綜合考察，甚至可能推翻產(chǎn)品原有的工業(yè)設(shè)計(jì)方案”。

語音識別的算法提升，也得益于深度學(xué)習(xí)近年來在問答式語音場景中的應(yīng)用。通過收集海量語音數(shù)據(jù)，采用深度神經(jīng)網(wǎng)絡(luò)的端到端訓(xùn)練方法，各家在語音識別的準(zhǔn)確率、速度等性能表現(xiàn)日趨逼近，數(shù)據(jù)石油的開采逐漸從通用領(lǐng)域走向垂直場景。喜馬拉雅FM僅針對喚醒識別一項(xiàng)功能就錄制了超過8萬條“小雅小雅”，阿里巴巴為了讓天貓精靈適應(yīng)家居場景則收集了大量與玻璃、木材、金融等材質(zhì)相關(guān)的噪音。

語音合成也離不開數(shù)據(jù)準(zhǔn)備。音箱能夠自然地“開口說話”，背后是大量的語音合成工作。Rokid北京A-Lab科學(xué)家孟猛曾表示：“高品質(zhì)的語音合成需要精心挑選聲優(yōu)，還要專業(yè)的錄音師、監(jiān)聽員，資源耗費(fèi)多，產(chǎn)品周期長。語音識別能收集到上萬小時(shí)的數(shù)據(jù)，語音合成能有100小時(shí)就很不錯(cuò)，需要通過算法把難度降下來?！?p>

不過，多名業(yè)內(nèi)人士向《21CBR》記者解釋，數(shù)據(jù)驅(qū)動的深度學(xué)習(xí)在帶有一定識別規(guī)則的任務(wù)式對話中表現(xiàn)突出。然而，一旦進(jìn)入自然語言理解環(huán)節(jié)，尤其多輪對話的應(yīng)用中，需要機(jī)器調(diào)動更接近人類思維模式的認(rèn)知和推理能力，深度學(xué)習(xí)便威力不再，音箱時(shí)常表現(xiàn)出“沒有聽懂”。距離自主學(xué)習(xí)、實(shí)現(xiàn)真正意義上的“智能”，音箱還有很長一段路要走。

風(fēng)口來臨

盡管現(xiàn)階段的智能音箱仍需突破技術(shù)難關(guān)，其背后初具雛形的語音平臺已經(jīng)讓眾多的科幻電影場景成為現(xiàn)實(shí)。人們看到了語音交互在消費(fèi)級市場的巨大潛力，紛紛布局生態(tài)，滿城盡是“開放平臺”，風(fēng)口似乎來了。

一位投資人向《21CBR》記者描繪了這樣一幅生活場景：“當(dāng)我問音箱今天什么天氣，喚醒的可能是墨跡；要聽兒童故事，背后有的是咔噠（一款兒童有聲故事App）；聽歌則是網(wǎng)易云音樂。語音本身成為新的入口，這與移動互聯(lián)網(wǎng)時(shí)期的手機(jī)端入口概念是不一樣的。”

從硬件到技術(shù)，從內(nèi)容到數(shù)據(jù)，各家看到了語音交互商業(yè)變現(xiàn)的種種可能，實(shí)際建立起生態(tài)體系時(shí)，在方向和邏輯上卻不盡相同。

廠商普遍提及的首要任務(wù)是搭建語音技能平臺。截至目前，Echo銷量突破1000萬，Alexa平臺上的語音技能（Skills）已達(dá)1.5萬種，布局成果超出眾人預(yù)期，亞馬遜也憑借Echo在硬件市場打了一記翻身仗。后來者紛紛效仿Alexa，加碼生態(tài)建設(shè)，比拼技能數(shù)量，試圖以更豐富的語音技能應(yīng)用拉攏更多用戶。

不過，根據(jù)AI觀察機(jī)構(gòu)Voicebot的統(tǒng)計(jì)，Alexa平臺上擁有最多評論的前10%技能占據(jù)了80%的總評論數(shù)，包括音樂、教育、資訊等大類技能，其余絕大多數(shù)技能則乏人問津。從研發(fā)階段、產(chǎn)品化到開放給第三方開發(fā)者，Alexa跑通這條路花了5年時(shí)間。祝銘明認(rèn)為，技能并非越多越好，相比接入大量技能，現(xiàn)階段專注于核心技能的體驗(yàn)優(yōu)化更為重要。

思必馳則橫向輸出技術(shù)，定位為人機(jī)交互的智能解決方案平臺。2015年，思必馳面向硬件合作方推出AIOS人機(jī)對話操作系統(tǒng)，封裝了核心的語音技術(shù)和對話交互邏輯。7月7日，思必馳宣布打造DUI（Dialogue User Interface）開放平臺。相比AIOS，DUI更像是解決方案的自選超市，提供可定制的語音技術(shù)全鏈能力，“相當(dāng)于AIOS的升級版。”龍夢竹稱。

與科大訊飛一樣，思必馳是國內(nèi)僅有的兩家具有全套語音技術(shù)產(chǎn)權(quán)的公司之一，專注智能硬件領(lǐng)域的技術(shù)輸出。

創(chuàng)業(yè)公司在垂直領(lǐng)域挖掘平臺深度和轉(zhuǎn)身空間，大公司則試圖一網(wǎng)打盡、打造航母級生態(tài)體系。

2015年9月，李彥宏在百度世界大會上推出基于移動端的語音助手“度秘”。2016年下半年，百度加速語音賽道布局，將度秘改名為DuerOS，成立單獨(dú)事業(yè)部，轉(zhuǎn)型技術(shù)輸出。今年7月5日，在百度首屆開發(fā)者大會上，度秘事業(yè)部總經(jīng)理景鯤正式發(fā)布DuerOS開放平臺，表示DuerOS將是人工智能時(shí)代的安卓系統(tǒng)。

京東、阿里、騰訊也先后發(fā)布平臺計(jì)劃：開發(fā)語音助手，建立硬件和技能平臺。與百度的不同之處則是增加了終端的音箱產(chǎn)品。BATJ均表示要以低門檻賦能智能語音設(shè)備，似乎都指向了一幅更大的生態(tài)圖景：智能家居。業(yè)內(nèi)普遍認(rèn)為，語音交互是智能硬件的關(guān)鍵入口，智能硬件又是語音交互的主要應(yīng)用，二者天然契合。

魏強(qiáng)告訴《21CBR》記者，通過與京東智能家居接入平臺“微聯(lián)”對接，叮咚音箱后臺已接入智能家居設(shè)備超過1000款，覆蓋燈具、空調(diào)、電視、廚具等21個(gè)品類，能夠進(jìn)行跨平臺、跨品牌的連接控制，“未來，終端與平臺的關(guān)系不是1：N或N：1，而是N：N?！?/p>

更有布局硬件生態(tài)三年的小米，欲借此激活新的業(yè)務(wù)增長點(diǎn)。在6月的米家年度發(fā)布會上，小米聯(lián)合創(chuàng)始人劉德透露，小米硬件生態(tài)鏈平臺MIOT已連接6000萬臺智能設(shè)備，米家做的是“明天”的產(chǎn)品。研究機(jī)構(gòu)Statista的統(tǒng)計(jì)數(shù)據(jù)顯示，2016年全球智能家居市場規(guī)模已達(dá)168億美元，預(yù)計(jì)到2021年，中國市場比重將從7%上升至17%。

在祝銘明看來，語音交互能夠?qū)崿F(xiàn)的多機(jī)協(xié)作、個(gè)體認(rèn)知，將帶來跨設(shè)備、跨場景的狀態(tài)遷移，“虛擬的若琪是跟著人走，而非跟著設(shè)備走，最終將是一個(gè)無處不在的AI”。屆時(shí)，承擔(dān)語音入口功能的或許也不再是音箱了。龍夢竹認(rèn)為，Echo只是Alexa生態(tài)孵化出的第一個(gè)產(chǎn)物，“音箱只是語音的一個(gè)載體，核心是對話交互”。

智能音箱承載著人們對人工智能和未來生活的眾多想象，但能否成為“爆款”還有待市場的檢驗(yàn)。