揭秘小米AI音箱的語音交互的優(yōu)勢

2018年是國內(nèi)智能音箱的火爆元年，市場上短時間涌入了以小米、阿里、百度和騰訊等為首的數(shù)十款智能音箱，甚至出現(xiàn)了深圳一條街就有百家智能音箱廠商的盛況。但是迄今為止，市場銷量超過百萬的智能音箱廠家只有小米和阿里。

去年“雙十一”阿里的補貼戰(zhàn)略很快就讓天貓精靈率先破百萬，而小米的小米AI音箱繼續(xù)沿用小米口碑營銷思路，憑借用戶體驗優(yōu)勢和性價比穩(wěn)步上揚，在缺貨嚴重且渠道漲價的情況下，也輕松超過百萬銷量。同時，小米的小愛mini音箱自發(fā)布后更是一周之內(nèi)銷量破百萬，自此，小米一家就擁有了小米AI音箱和小愛mini音箱兩款過百萬銷量的產(chǎn)品。目前，小米AI音箱依然保持著國內(nèi)語音交互體驗評價更好的優(yōu)勢。

很多人都會好奇這一點，為什么售價只有299元的小米AI音箱會贏得用戶口碑？除了小米的產(chǎn)品團隊對于用戶體驗的精準把握，其中智能音箱的靈魂——遠場語音交互技術(shù)也起到了非常關(guān)鍵的作用。遠場語音交互技術(shù)涉及到了麥克風陣列、遠場語音喚醒、語音端點檢測、遠場語音識別、語義理解和語音合成等技術(shù)。

聲智科技獨家供應了小米AI產(chǎn)品系列中的麥克風陣列、遠場語音喚醒和語音端點檢測及識別等技術(shù)，并與小米團隊密切配合，從用戶體驗角度重新打造了一整套更適應東方文化場景的新型遠場語音交互技術(shù)，從技術(shù)決定了用戶的第一體驗以及語音識別的效果。

麥克風陣列技術(shù)

麥克風陣列是由一定數(shù)目的聲學傳感器組成，用來對聲場的空間特性進行采樣并處理的系統(tǒng)。麥克風陣列通常包含2個以上的麥克風，2麥通常不稱為麥克風陣列，這有點類似于四個輪子的汽車和兩個輪子的摩托車之間的比較。

一般認為麥克風陣列的核心技術(shù)是降噪，事實上并非這樣，2麥在通信領(lǐng)域就能實現(xiàn)比較好的降噪效果。麥克風陣列的主要作用是幫助機器適應更加復雜的場景，尤其是語音交互的興起，它事實上改變了人類必須學習適應機器的現(xiàn)狀，轉(zhuǎn)而強調(diào)機器要學習適應人類的語言和習慣，這是一個產(chǎn)品思維的重大轉(zhuǎn)變，將會影響未來眾多AI產(chǎn)品的用戶體驗設計。

麥克風陣列的關(guān)鍵技術(shù)包含了通話降噪、混響抑制、回聲抵消、噪聲抑制、語音增強、波束形成、增益控制、識別優(yōu)化等。除此之外，聲智科技所提供的麥克風陣列技術(shù)，還獨具抗強噪喚醒、90度抗強噪識別、空間感知和認知等新技術(shù)，其中的90度抗強噪識別技術(shù)則是面向東方文化場景的獨特技術(shù)。

由于中國和日本的家庭主要以公寓為主，這類居家環(huán)境下影響語音交互效果的主要是掛在墻上的電視，當智能音箱放置電視旁邊或者前方的時候，這時候噪聲源、語音源與智能音箱的夾角一般都會超過90度，當電視音量很大的時候，保證智能音箱的識別精準度就非常困難，目前來看，應用到小米AI音箱的技術(shù)體驗更為出色。

東西方的文化差異造就了不同的技術(shù)導向，當然也帶來了不同的技術(shù)測試驗證體系。所以，當前國內(nèi)對于遠場語音交互技術(shù)的測試驗證的諸多場景是與國外截然不同的。自然，當問到為什么國內(nèi)要用60度夾角測試噪聲源的干擾情況？很多技術(shù)人員就回答參考國外的測試標準，事實上這是不對的。

國外的居住環(huán)境以別墅為主，智能音箱的主要應用場景在開放式廚房，噪聲來源也主要是廚具設備噪聲，這相對電視噪聲來說更好處理（電視噪聲包含大量人聲），而且由于房子更大相對空曠，國外噪聲環(huán)境管理更加嚴格，室內(nèi)強噪的情況并不多見，因此對于90度抗強噪識別技術(shù)的需求也不強烈。自然，總的來看，國內(nèi)智能音箱對于遠場語音交互技術(shù)的要求事實上遠高于國外的標準。

遠場語音喚醒技術(shù)

遠場語音喚醒的主要作用距離是30CM-500CM，其主要技術(shù)指標是喚醒率和誤喚醒率，這兩個指標是一對蹺蹺板。聲智科技應用到小米AI音箱的技術(shù)，具有三個非常獨特的優(yōu)勢，也是保證用戶體驗的關(guān)鍵因素。

其一就是寬場景高靈敏喚醒技術(shù)，這是用戶的第一體驗，小米AI音箱的喚醒詞是小愛同學，國內(nèi)不管任何地區(qū)的發(fā)音，甚至國外的英式中文基本上都能第一次喚醒小愛同學，最差情況三次之內(nèi)也能保證小愛同學響應。

事實上這是很難做到的，因為喚醒率和誤喚醒率是一對蹺蹺板，當喚醒效果很好的時候，誤喚醒通常也會很高，智能音箱毫無征兆的突然喚醒也是很麻煩的事情。為解決這個矛盾，通常會有些技巧性方法，比如阿里的天貓精靈，經(jīng)常第一次很難喚醒，需要第二次才能喚醒，這就是通過工程技巧降低誤喚醒率的通常做法。聲智科技的技術(shù)路線并非這樣簡單，而是必須優(yōu)先保證用戶的體驗，在此基礎上再降低誤喚醒率，同時還要提升強噪環(huán)境下的喚醒率，當前也只有聲智科技的技術(shù)做到了這點。

其二就是低成本高容錯喚醒技術(shù)，特別是面向低成本高失真產(chǎn)品的時候，這項技術(shù)顯得尤其重要。小米的產(chǎn)品一直以性價比為核心占領(lǐng)市場，比如小米AI音箱售價僅為299元，拋去市場的補貼因素，至今還是市面上最便宜的智能音箱。這也意味著小米AI音箱的麥克風、喇叭和結(jié)構(gòu)都會以成本因素為第一考量進行選擇，這將帶給語音交互技術(shù)巨大的壓力，特別是自噪聲抑制和遠場信號處理的難度極具增加。

舉個簡單例子，比如麥克風器件的選擇，信噪比（SNR）70dB以上的麥克風要比信噪比60DB的麥克風的遠場和抗噪效果更好，但是選用高信噪比的麥克風，其結(jié)果就是成本會高出很多。為了給客戶更多產(chǎn)品設計的選擇自由度，聲智科技的技術(shù)必須徹底屏蔽硬件的差異化，并且努力幫助客戶降低成本，即便在一致性和失真度非常大的情況下，也要出色的保證用戶體驗的效果。這是聲智科技非常獨特的優(yōu)勢，當然在一些特殊場景，也需要一些性能更好的麥克風和芯片才能保證基本效果，所以Google、Amazon等國外的產(chǎn)品通常都會選用更高性能的麥克風。Google、Microsoft等國外公司技術(shù)部門為了追求更好的演示效果，尤其不計成本使用高信噪比(SNR>70dB)的麥克風器件和芯片，這也常常會誤導國內(nèi)廠商的判斷，聲智科技目前的技術(shù)幾乎做到極致，但是若廠商追求更好的效果，必然也還會增加各個鏈條的成本。

其三就是低功耗高性能喚醒技術(shù)，低功耗喚醒的核心就是算法的復雜度，這包括了麥克風陣列算法和語音喚醒算法，聲智科技對于算法的優(yōu)化一直是非常領(lǐng)先的，目前在智能音箱最復雜的場景，即在立體聲回聲抵消過程中的打斷喚醒，聲智科技的算法復雜度也遠優(yōu)于市面上的同類技術(shù)。

很多時候大家會對比一家廠商的語音喚醒技術(shù)，僅靠評判一個成熟喚醒詞（比如Alexa）也是不對的，應該是考驗這家廠商定制喚醒詞的能力，以及服務的客戶數(shù)量，這個階段就極其考驗供應商的技術(shù)迭代和服務支持能力，AI技術(shù)本身就是在不斷的演化和迭代。

語音端點檢測技術(shù)

語音端點檢測的目標是要判定語音開始和結(jié)束的位置，一般定義在語音識別領(lǐng)域。但是由于語音端點檢測決定了語音識別的響應速度，而且并不能向語音識別一樣通過增加服務器來解決，必須嚴重依賴算法來保證，所以當前也成為了遠場語音交互領(lǐng)域非常關(guān)鍵的因素。

舉個簡單例子，我們每個人說話的語速和節(jié)奏差異非常大，如何準確判斷前端點和后端點以識別成一個句子，并且控制這個時間在幾百毫秒以內(nèi)（人類發(fā)一個“啊”音的時間大概是200毫秒），對于整個語音流程的體驗來說至關(guān)重要，否則判斷的失敗，也將會嚴重影響識別結(jié)果和語義理解。VAD判停的時間，長了影響交互體驗，短了難以適配復雜場景，還是以符合人類交流的習慣為最佳。

這其中還有一個技術(shù)難點，就是小愛同學喚醒之后的隨機應答詞，包括“我在”，“哎”等，而且小米的應答詞還可以根據(jù)系統(tǒng)音量自動調(diào)整，由于這些應答詞會嚴重干擾語音識別的VAD功能，這是對語音端點檢測技術(shù)挑戰(zhàn)很大的應用場景。

市面上的其他產(chǎn)品，比如天貓精靈系列則是取消了應答詞，僅靠燈效來顯示喚醒狀態(tài)，而小度視頻音箱則是通過恒定低音量的應答詞來繞開這項技術(shù)難題，顯然這類處理手段給用戶的體驗都不是太好。目前市面上最為成熟的還是聲智科技提供的動態(tài)應答詞匹配檢測技術(shù)。

遠場語音識別技術(shù)

由于遠場智能產(chǎn)品的場景特殊性，遠場語音識別相對更加垂直，比如智能音箱的識別偏重于音樂和百科領(lǐng)域，智能汽車的識別偏重于地圖和音樂領(lǐng)域，而對于地域性的覆蓋，則是遠場語音識別著重考慮的，并不能簡單把方言劃歸為一個技術(shù)系列，特別是消費電子領(lǐng)域的高度標準化思維，幾乎不可能存在切換ASR的方法。

所以聲智科技的ASR就要在垂直領(lǐng)域考慮更多場景難題，比如老人和小孩的識別怎么辦？南方和北方的語言差異怎么辦？真正的產(chǎn)品落地需要考慮眾多應用場景的難題，而并非只是簡單的技術(shù)疊加。

場景語音合成技術(shù)

語音合成的兩個關(guān)鍵點，一個是聲線的優(yōu)美程度，另外一個就是抑揚頓挫的語感流暢程度，這決定了用戶對于機器的真實體驗。

其中，第一種技術(shù)需要選擇獨特的聲優(yōu)就行聲音采集和訓練，由聲優(yōu)的聲線決定了合成聲音的效果，選擇聲優(yōu)是一個考驗產(chǎn)品經(jīng)理能力的任務。第二種技術(shù)則更為重要，是要保證機器朗讀的聲音更加符合人類的習慣，但是目前來看所有的產(chǎn)品還遠遠沒有達到這點，聲智科技也正在致力研究突破這項技術(shù)，估計一到兩年時間我們就可以聽到幾乎和人類聲音感覺相同的機器聲音。

技術(shù)細節(jié)決定口碑

真正贏得用戶口碑的技術(shù)，都是極其注重細節(jié)的技術(shù)，而這類技術(shù)通常符合我們常說的“二八規(guī)則”，即企業(yè)需要投入80%的精力來實現(xiàn)20%的提升。遠場語音交互領(lǐng)域非常符合這一特點，表面似乎每家公司的技術(shù)大致一樣，但實際上真正服務到百萬、千萬甚者上億用戶的時候，才是真正考驗這家技術(shù)公司實力的時候。特別是當市場用戶對于AI產(chǎn)品用錢投票的時候，用戶事實上不太關(guān)注單項指標，而真正關(guān)心的則是綜合各個細節(jié)的語音交互體驗。