亞馬遜Echo大獲成功，遠場語音交互技術在其中究竟扮演了什么

關于遠場語音交互，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、回聲等聲學問題，以及數(shù)據(jù)差異引入的機器學習模型問題，這些都是保證自由人機交互的核心技術?！?/p>

但是網(wǎng)絡上橫跨聲學和計算機學科的教育資源太少，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，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？

語音交互等價于遠場語音交互

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。從應用場景來看遠場和近場的核心差別是拉開和語音設備的距離后，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，也與各種應用與特定交互方式的綁定有關。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。

遠場語音交互的核心技術

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所依托的技術進行細分的話，那么基本上是三層：

前端的聲學部分（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雜度非常高，它即跨越不同的學科（聲學部分屬于經(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。

技術和商業(yè)上的正反饋

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-商業(yè)上的正反饋需要一定的啟動周期。顯然的技術不好用，產(chǎn)品體驗就不好；而反過來產(chǎn)品沒銷量技術就缺乏打磨的場景，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的公司打磨自己的技術，在沒那么大量的產(chǎn)品上落地，產(chǎn)品公司則接受技術現(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-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-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-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。

小結(jié)

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。