AIoT的語音技術(shù)是如何落地的？

AIoT融合AI技術(shù)和IoT技術(shù)，除了實(shí)現(xiàn)技術(shù)的革新，其主要技術(shù)的應(yīng)用和真正落地也是該領(lǐng)域的重點(diǎn)問題。

是新的技術(shù)和生產(chǎn)工藝（例如，早期的汽車）通過被應(yīng)用和被應(yīng)用而獲得改善，之后在獲得進(jìn)一步的應(yīng)用和采用，進(jìn)而創(chuàng)造出正反饋或者收益遞增的效用?！都夹g(shù)的本質(zhì)》，布萊恩·阿瑟

上篇我們講到了AIoT并非泛泛而談的口號(hào)，他是有自身的用戶價(jià)值和商業(yè)價(jià)值邏輯。從這篇開始我們要講講在AIoT用到的主要技術(shù)，也是我入門（keng）以來的梳理和沉淀，若有問題也歡迎交流。

我認(rèn)識(shí)在AI領(lǐng)域這樣強(qiáng)技術(shù)領(lǐng)域，了解其技術(shù)原理和技術(shù)邊界，結(jié)合市場需求，才能更高效地輸出產(chǎn)品服務(wù)。

本篇文章核心內(nèi)容有以下幾點(diǎn)：

首先，我們先從AIoT的產(chǎn)業(yè)鏈入手，從宏觀維度對(duì)整個(gè)AIoT產(chǎn)業(yè)有個(gè)宏觀認(rèn)知；

其次，這篇文章會(huì)先聚焦于語音技術(shù)在AIoT領(lǐng)域的技術(shù)原理和落地產(chǎn)品服務(wù)方法。

其余幾大個(gè)技術(shù)模塊我們會(huì)在后續(xù)的文章中陸續(xù)更新。

一、AIoT產(chǎn)業(yè)鏈

AIoT產(chǎn)業(yè)鏈主要包括以下幾個(gè)部分：

上游：硬件：芯片廠商、通信模塊等；軟件：AI技術(shù)、IoT技術(shù)

中游：操作系統(tǒng)、App、云端服務(wù)

下游：渠道（線上 / 線下）

AIoT產(chǎn)業(yè)鏈

從上圖我們可以大致了解整個(gè)AIoT產(chǎn)業(yè)全貌，是一個(gè)軟硬通吃，涉及模塊最全的行業(yè)。所以作為產(chǎn)品經(jīng)理，在這個(gè)領(lǐng)域，有很大的發(fā)揮空間。

二、AIoT產(chǎn)品都做些什么

不同類型的AIoT產(chǎn)品對(duì)技術(shù)理解要求不同，如阿里云IoT、騰訊云IoT其業(yè)務(wù)目標(biāo)是要做生態(tài)，做水電煤，主打PaaS層的輸出，直接服務(wù)開發(fā)者，所以這對(duì)產(chǎn)品的技術(shù)能力要求就非常高，一般得有幾年相關(guān)開發(fā)經(jīng)驗(yàn)。

而做前端交互體驗(yàn)的，跟用戶直接接觸的體驗(yàn)層產(chǎn)品對(duì)技術(shù)要求就不那么高了，結(jié)合產(chǎn)業(yè)鏈越往下游對(duì)產(chǎn)品對(duì)技術(shù)要求越低。結(jié)合上面的產(chǎn)業(yè)鏈結(jié)構(gòu)圖可以分為三大塊：

硬件產(chǎn)品：為整個(gè)終端硬件體驗(yàn)負(fù)責(zé)。需要從硬件定義、設(shè)計(jì)到最后的量產(chǎn)全鏈路環(huán)節(jié)都有深入理解，這塊在這兒不展開說，后續(xù)講到硬件產(chǎn)品再深入聊；

軟件產(chǎn)品：為整個(gè)IoT軟件服務(wù)體驗(yàn)負(fù)責(zé)。這個(gè)是個(gè)大模塊，再往細(xì)的分有 App產(chǎn)品、系統(tǒng)產(chǎn)品、IoT平臺(tái)產(chǎn)品，如果還有線上渠道，那還有電商產(chǎn)品等；

AI算法產(chǎn)品：為整個(gè)AI體驗(yàn)負(fù)責(zé)。按照技術(shù)鏈路還可以細(xì)分為聲學(xué)前端產(chǎn)品、ASR產(chǎn)品、NLP產(chǎn)品、TTS產(chǎn)品。關(guān)于這塊的技術(shù)，下面我們具體展開來說。

AIoT產(chǎn)品職能與產(chǎn)業(yè)鏈關(guān)系圖

三、AIoT之語音技術(shù)

對(duì)于產(chǎn)品經(jīng)理來說，了解語音技術(shù)主要的技術(shù)點(diǎn)，可以：

快速收斂問題，幫助開發(fā)提高定位和修改問題效率；

輸出穩(wěn)定產(chǎn)品，了解技術(shù)原理和邊界，才能快速輸出穩(wěn)定的產(chǎn)品服務(wù)。這個(gè)無論對(duì)于C端用戶或B端客戶來說都是最基本的需求。

我們這里以用戶使用語音中控設(shè)備控制燈為例（詳情可見以下流程圖）：

語音控制智能家居流程圖

用戶發(fā)出「打開燈」指令，則會(huì)經(jīng)過以下幾個(gè)步驟：

第一步 拾音

根據(jù)使用場景也分為近場拾音（一般3m以內(nèi)）和 遠(yuǎn)場拾音（一般3-5m）。這一部分在技術(shù)上稱為聲學(xué)前端。

主要原理是通過單mic或mic陣列能準(zhǔn)確獲取到用戶語音信息，為下一步ASR（語音識(shí)別）做準(zhǔn)備，主要包括以下幾個(gè)技術(shù)點(diǎn)（但不限于，整個(gè)鏈路涉及到很多技術(shù)環(huán)節(jié)，下面主要將跟產(chǎn)品體驗(yàn)比較相關(guān)的主要技術(shù)點(diǎn)抽離出來）：

VAD（Voice Activity Detection），語音活性檢測。使用音頻特征等進(jìn)行分析，確定聲音的開始與結(jié)束點(diǎn)。對(duì)于產(chǎn)品來說經(jīng)常會(huì)遇到某條指令沒有識(shí)別全，比如「打開燈」只識(shí)別到了「打」導(dǎo)致最后沒有命中相應(yīng)技能，無法完成用戶意圖，這時(shí)候可能就是VAD異常截?cái)鄦栴}；

AEC（Acoustic Echo Cancellation），回聲消除。如果當(dāng)前設(shè)備在用mic拾音的同時(shí)又在播放音樂等音頻內(nèi)容，那mic會(huì)將這設(shè)備播放出去的聲音再重拾回來，避免再播放出去有回音。對(duì)于產(chǎn)品來說這是考核一個(gè)有待音頻播放功能的智能語音設(shè)備必然考核的體驗(yàn)點(diǎn)，比如播放音樂時(shí)經(jīng)常有回音問題，那可能是AEC算法沒做好；

BF（Beam Forming），波速成形。用于將單個(gè)方向的語音進(jìn)行增強(qiáng)，削弱無關(guān)的聲音，使得聲音聽起來更加干凈。對(duì)于產(chǎn)品來說這個(gè)是在嘈雜環(huán)境下提高識(shí)別的核心技術(shù)點(diǎn)，如果嘈雜環(huán)境里你的產(chǎn)品識(shí)別差，可以從這個(gè)點(diǎn)入手看看。

第二步 ASR（Automatic Speech Recognition）

這一步主要是將前端拾音的語音信息轉(zhuǎn)化成文本信息，將處理的文本信息丟給下一步NLP（自然語言處理）來做處理。主要考核指標(biāo)識(shí)別率和誤喚醒等。關(guān)于這點(diǎn)hanniman老師有做比較深入的講解，這里就不多做說明。

第三步 NLP（Natural Language Processing）

自然語言處理的目的是主要是將文本信息轉(zhuǎn)化成機(jī)器語言，明確用戶意圖，在為下一步，觸發(fā)用戶預(yù)期的意圖做準(zhǔn)備。在產(chǎn)品運(yùn)營側(cè)主要會(huì)分為下面幾個(gè)部分：

Domain，即所屬領(lǐng)域，如 音樂、智能家居分別都算是一個(gè)領(lǐng)域。領(lǐng)域相當(dāng)于類別，比如我想創(chuàng)景一個(gè)電視控制技能，就先創(chuàng)建一個(gè)電視的Domain；

Intent，即意圖，用戶想要讓機(jī)器做的事情。如 以本章節(jié)「打開燈」這個(gè)例子為例，「打開燈」即為用戶的行為意圖，但同樣一個(gè)控制意圖可能有不同的說法，比如「打開燈」可以說「把燈打開」或「燈被打開」這時(shí)需引入一個(gè)東西叫Pattern，他是來解決不同說法或句式的問題，產(chǎn)品運(yùn)營人員可以配置幾個(gè)常用的句式或說法，然后通過算法進(jìn)行枚舉和泛化；

Slot，即詞槽，在本例中，「打開」和「燈」都是詞槽。

第四步 平臺(tái)轉(zhuǎn)發(fā)

語音廠商IoT平臺(tái)→廠商IoT平臺(tái)→廠商設(shè)備。因?yàn)橹悄芗揖宇I(lǐng)域較為特殊，從用戶維度來看，一個(gè)用戶可能會(huì)有各種不同品牌的智能家居設(shè)備；而從市場維度來看，目前智能家居市場品類繁多，碎片化嚴(yán)重。

以天貓精靈為例，目前已接入了600+品牌。單純用技能方式對(duì)接，不利于廠商運(yùn)營管理和用戶端體驗(yàn)。所以大部分語音廠商還會(huì)針對(duì)智能家居做一個(gè)管理平臺(tái)。

經(jīng)過上一步NLP的處理信息傳給語音廠商的IoT平臺(tái)，語音廠商的IoT平臺(tái)會(huì)根據(jù)用戶已經(jīng)綁定智能家居品牌和設(shè)備能力，在將這些信息傳給相應(yīng)的三方廠商IoT平臺(tái)，最終將控制信息下達(dá)給相應(yīng)的控制設(shè)備，完成整個(gè)控制鏈路。

第五步 TTS（Text To Speech）

顧名思義是將文本轉(zhuǎn)成語音，如果你的中控設(shè)備帶有Speaker，當(dāng)整個(gè)控制鏈路完成后，可以播報(bào)一個(gè)結(jié)果語音來提升整個(gè)產(chǎn)品體驗(yàn)，完成體驗(yàn)閉環(huán)。

四、語音技術(shù)*AIoT

以上各項(xiàng)技術(shù)以排列組合的方式我們很容易算出可以提供給客戶25種不同產(chǎn)品技術(shù)方案，而對(duì)于C端用戶產(chǎn)品服務(wù)也不計(jì)其數(shù)。但對(duì)于目前很多公司最大的問題在于：如何在于這「汪洋大?！怪姓业阶约旱囊黄欤ň瓦B空調(diào)都集成語音能力了，很多人都無法理解）。

以下談?wù)勎覍?duì)語音技術(shù)之于AIoT落地的看法（以下方法對(duì)C和B端同樣適用）：

首先，效率，萬事以高效為先。一切新產(chǎn)品或新技術(shù)的應(yīng)用的第一優(yōu)先考核指標(biāo)在于相比原先的服務(wù)是否提高效率。什么是高效？高效即做同樣的事情誰花的時(shí)間最短。以「打開電視后我想看湖南衛(wèi)視」這個(gè)用戶場景為例，以下是三種不同類型的電視操作路徑對(duì)比：

傳統(tǒng)電視：遙控器的頻道鍵→左右鍵切換3-4頁數(shù)（除湖南本省外，其他外省可能把忽然衛(wèi)視放到3、4頁后）→上下鍵選擇到湖南衛(wèi)視→點(diǎn)擊確定。大概需要操作5-6步；

智能電視（不帶語音）：我的應(yīng)用→電視貓App→搜索湖南衛(wèi)視→點(diǎn)擊確定。大概要操作4步；

語音電視：一句話「xxx，我要看湖南衛(wèi)視」，甚至可以直接免喚醒詞。只要1步。

其次，成本，要考量在單位時(shí)間內(nèi)所消耗的能量和成本?；谏弦稽c(diǎn)「做同樣事情誰花的時(shí)間短」除了這一維度還不夠，因?yàn)樗俣瓤觳⒉淮沓杀镜?，所以還要考量在單位時(shí)間內(nèi)所消耗的能量和成本。

比如，你花了20塊需要2小時(shí)，而花60塊錢只能算短到1.5個(gè)小時(shí)，明顯性價(jià)比不高。

以集成語音能力的智能空調(diào)為例。目前市面上此類空調(diào)價(jià)位在￥6999~￥9999之間，主打高端市場。而一個(gè)語音模組的價(jià)格在幾十塊左右，這個(gè)成本完全承擔(dān)得起，而且還提升了其議價(jià)空間。

而比如在小家電領(lǐng)域，客單價(jià)普遍比較低的領(lǐng)域，這個(gè)成本可能就有很大的成本壓力了。所以，目前語音模組更廣泛應(yīng)用于大家電如 電視、空調(diào)等。所以除了用戶場景，成本維度也是重要的考慮因素；

最后，影響力，要考慮做這件事對(duì)外部的影響力。即你的產(chǎn)品與用戶/客戶的交互反饋，主要分為積極影響和消極影響：

積極影響力，比如，接近真人的TTS體驗(yàn)，自然的人機(jī)對(duì)話體驗(yàn)；

消極影響力，比如，前幾個(gè)月的Amazon的Echo鬼聲事件。

可以從定性（滿意度等）和定量（日活、留存等）角度來衡量，但為了方便下面延展，我們可以簡單的把積極影響力記為正數(shù)，消極影響力記為負(fù)數(shù)。

AIoT產(chǎn)品服務(wù)公式

總結(jié)：我把評(píng)判一個(gè)AIoT產(chǎn)品服務(wù)的好壞，結(jié)合三要素，總結(jié)為如圖所示公式：

AIoT產(chǎn)品服務(wù)=效率/成本*影響力

通過這個(gè)公式我們可以很容易得出：一款好的AIoT產(chǎn)品服務(wù)需要具備高效、低成本以及積極影響力，而且這個(gè)服務(wù)會(huì)隨著你的正向影響以乘法疊加的方式增長。

同理，我們也可以很快得到一個(gè)差的AIoT產(chǎn)品服務(wù)是由什么因素決定的。

為了方便大家理解，我們以上面提到的例子，目前空調(diào)集成語音能力這個(gè)是個(gè)好的AIoT產(chǎn)品服務(wù)嗎？

首先，語音控制相比空調(diào)的物理遙控器確實(shí)是更方便，假設(shè)切換到制冷模式，物理在初始狀態(tài)下要按兩下「模式」鍵，而語音只要一句話就能解決，效率提高50%；

其次，對(duì)于廠商來說，假設(shè)一個(gè)模組成本是￥50，目前帶語音能力的空調(diào)普遍售價(jià)在￥6999~￥￥9999之間，以6999的價(jià)格和35%的毛利率（目前幾家空調(diào)大廠毛利在這個(gè)水平，高端型號(hào)肯定毛利更高）來算差不多只占了1%的成本，完全cover的??；

再來，關(guān)于影響力，先不說語音控制在某些場景效率比遙控器高，用戶買了一個(gè)那么貴的空調(diào)，還有語音能力（除了控制，還能問問天氣等），雖然可能平時(shí)基本不咋用，但是至少還有個(gè)炫耀的資本。比如，有客人來，可以很裝13地說「我這空調(diào)可以語音控制哦」，相比不帶語音功能的高端空調(diào)，確實(shí)有一定的附加值。假設(shè)以-5~5來做滿意度打分，至少給個(gè)3分吧；

最后，通過公式我們可以算出整個(gè)空調(diào)集成語音能力的AIoT產(chǎn)品服務(wù)分?jǐn)?shù)為150分。從這個(gè)維度來看，空調(diào)集成語音能力是有積極價(jià)值的。

五、小結(jié)

在《技術(shù)的本質(zhì)》中，作者 布萊恩·阿瑟（復(fù)雜性科學(xué)奠基人） 認(rèn)為：

技術(shù)，是新的技術(shù)和生產(chǎn)工藝（例如，早期的汽車）通過被應(yīng)用和被應(yīng)用而獲得改善，之后在獲得進(jìn)一步的應(yīng)用和采用，進(jìn)而創(chuàng)造出正反饋或者收益遞增的效用。

目前AIoT行業(yè)還在早期階段，了解語音技術(shù)這個(gè)「新技術(shù)」可以使我們更加從容。祝各位同仁能用這個(gè)「新技術(shù)」創(chuàng)造出更多正反饋或者效益遞增的效用。