微軟黃學東：企業(yè)應(yīng)用最后一個痛點是會議中的語音

昨天下午，微軟全球技術(shù)院士黃學東博士、微軟大中華區(qū)副總裁兼市場營銷及運營總經(jīng)理康容、ROOBO CTO雷宇接受了包括新智元在內(nèi)的媒體專訪，詳細解答了微軟的語音技術(shù)、產(chǎn)品落地以及生態(tài)合作。

在昨天的微軟人工智能大會上，微軟全球技術(shù)院士黃學東展示了微軟多項語音、翻譯等技術(shù)，微軟Build大會上的“黑科技”全球首創(chuàng)AI會議系統(tǒng)再次被演示。

昨天下午，黃學東博士、微軟大中華區(qū)副總裁兼市場營銷及運營總經(jīng)理康容、ROOBO CTO雷宇接受了包括新智元在內(nèi)的媒體專訪，詳細解答了微軟的語音技術(shù)、產(chǎn)品落地以及生態(tài)合作。

新智元根據(jù)現(xiàn)場速記進行整理，部分內(nèi)容有刪節(jié)。

黃學東：評價谷歌沒有什么意思，微軟的“全武功”最有意思

問：您一直關(guān)注語音技術(shù)，現(xiàn)在很多搜索引擎還是通過輸入文字來進行交互，什么時候我們能夠看到像語音識別或圖像技術(shù)真正改變到搜索引擎現(xiàn)在的狀況？

黃學東：搜索引擎現(xiàn)在很復(fù)雜，我做語音之前做過搜索引擎，后臺要完全了解所有的文件內(nèi)容和關(guān)鍵是字是什么東西，還要匹配用戶意圖，找到相應(yīng)的文本，它也有很多人工智能深度學習的技術(shù)。

語音識別在現(xiàn)在的媒體階段，是文本輸入還是語音輸入還是圖像輸入？基本上還是一個相對比較松的耦合。語音進步的主要標桿是把波形轉(zhuǎn)換成文字，這個過程中中文字也可以有不同的選擇，因為語音識別不是完全的準確，就像搜索引擎一樣，有第一個好結(jié)果，有第二好結(jié)果、第三結(jié)果，把整個結(jié)果給搜索引擎，搜索引擎在搜索的時候可以搜索不僅僅是第一好的結(jié)果，而且把語音識別第二好的結(jié)果也考慮進去?，F(xiàn)在工業(yè)界的狀態(tài)基本上是這樣。

問：麥克風陣列部分經(jīng)常在語音識別場景下遇到噪音問題，微軟可以解決這個問題嗎？還是說未來我們可以有更好的方法？

黃學東：我們有麥克風陣列的核心技術(shù)，并且已經(jīng)有長足的進步，在業(yè)界是領(lǐng)先的。再加上360度的攝像頭，這兩者的結(jié)合讓會議“AI神器”達到了很高的高度。不管是講了什么話，各方面的指標都上了一個臺階。今后，我們的前景非常非常樂觀。

問：之前谷歌Duplex打電話號稱已經(jīng)通過了圖靈測試，你對這個怎么評價？

黃學東：不敢評價。媒體上很多評價說他們在作假，很多人質(zhì)疑谷歌，讓谷歌發(fā)言人出來認證，他們不出來認證，也不說話。

微軟會議“AI神器”在多人自由交談的情況下能知道誰在說話，而且知道說了什么話，做了現(xiàn)場演示。不僅做了中文，還做了英文，這是我們要表達的微軟在語音識別業(yè)界的領(lǐng)導地位，是全武功，那個武是武力的“武”，不是一二三四五的五。

所以說批評谷歌沒有什么意思，我們的“全武功”最有意思。

不僅能支持全雙工，而且能支持“全武功”

問：上午微軟展示了人工智能的系統(tǒng)，有哪些東西是微軟從底層基礎(chǔ)研發(fā)到開放再到產(chǎn)品的生產(chǎn)制造？有哪些是把底層的技術(shù)開放給伙伴，他們基于平臺和技術(shù)做產(chǎn)品的研發(fā)和人工智能應(yīng)用產(chǎn)品？

黃學東：首先，這些是研究的演示，微軟從來不預(yù)先宣布我們產(chǎn)品什么時候出來、以什么方式出來。我們產(chǎn)品有幾個東西可以講，第一是我們的認知服務(wù)，語音這一部分云的API、模型、服務(wù)，有一套新的規(guī)律，這是在微軟Build大會上已經(jīng)宣布了的。

第二是定制服務(wù)增加了語音合成，想要換成自己想要聽的聲音，可以上傳三個小時、十個小時，越多質(zhì)量越好，可以定制到你想要的聲音。所以我們?nèi)€語音和翻譯都實現(xiàn)了量身定制。

現(xiàn)在如果你是開發(fā)商要開發(fā)自己的音箱，可以用微軟剛剛推出來的MSDDK，這是我們和ROOBO合作推出來的一個最新解決方案，不僅僅有微軟和ROOBO合作推出來的硬件，而且有最新的麥克風陣列，包括四麥線性的和七麥原型的麥克風陣列。這個黑科技是絕對引導業(yè)界潮流的，我們不僅能支持全雙工，而且能支持“全武功”。

康容：我補充一下，因為微軟是一個平臺和工具的企業(yè)，我們是提供平臺和工具，我們的黑科技、研發(fā)團隊、我們的大咖博士發(fā)明的東西，他們漸漸的會落地到我們自己的產(chǎn)品中，也會提供給我們的生態(tài)合作伙伴讓他們來開發(fā)。

微軟大中華區(qū)副總裁兼市場營銷及運營總經(jīng)理康容

今天早上看到哪一個黑科技會在什么時候落地，很難講出來，但是遲早會發(fā)生。我們會盡快的落地，我們會看市場的需求。所以，我們聽到越多的客戶和合作伙伴的聲音，我們就會加速某某功能盡量落地。我們一系列的很多新東西都會提供給生態(tài)一起來合作。

問：ROOBO本身是針對不同的應(yīng)用場景解決人工智能軟硬結(jié)合方案的設(shè)計，然后去生產(chǎn)銷售，過去這幾年做這種場景化的人工智能設(shè)計，然后再去推廣。人工智能產(chǎn)品怎么更成功的被市場接受，讓消費者更容易去掏錢買？如何落地和激活？為什么這次和微軟合作語音的開發(fā)及機會在哪里？微軟的技術(shù)怎么獨特的激活這個市場？

雷宇：其實這兩個問題是一個問題。我們知道AI落地沒有一個通用AI可以應(yīng)用到每個垂直領(lǐng)域，這里面最核心的問題是如何產(chǎn)品化。

康容與雷宇（右）

在我們創(chuàng)業(yè)過程中我們發(fā)現(xiàn)，所有的方案只考慮技術(shù)，不考慮內(nèi)容和服務(wù)。這在本質(zhì)上違反了市場原則，用戶永遠要的是服務(wù)和功能，我覺得技術(shù)只是提升它的體驗，我覺得這是一個本質(zhì)的問題。

我們的痛點是在通用AI技術(shù)上，沒有達到我們滿意的效果，所以我們需要和國際上最頂尖的公司進行合作。

微軟認知服務(wù)是全面性，微軟服務(wù)本身也是有機體，本身考慮的就很完善。我們和微軟的合作，因為我們看到了“明天”的東西，可以少走一些彎路，多模態(tài)和多場景的東西必然帶來很大的變革。

企業(yè)應(yīng)用最后一個痛點：會議中的語音

問：微軟開發(fā)出了很好的語音識別等的技術(shù)，你們打算用這些技術(shù)開發(fā)出一些什么樣的產(chǎn)品？智能音箱有很多企業(yè)都在做，但是具體的有沒有什么更好的應(yīng)用可以為大家更好的服務(wù)呢？

黃學東：語音交互過程中，在所有的商業(yè)場景中，用電子郵件、微信等等其他的產(chǎn)品都已經(jīng)數(shù)字化了，會議中的語音是現(xiàn)在沒有數(shù)字化的一個主要媒體，這對生產(chǎn)力的提高、對消費的提高是最后的痛點。在企業(yè)的應(yīng)用中，最后的一個痛點就在這個地方。

會議比較難做，不像全雙工，只有兩個人在講話，超過三個人的會議就比兩個人會議難很多。如果能做到七八個人開會，都可以轉(zhuǎn)錄和翻譯，可以變成數(shù)字化的形式處理。

問：如何看待目前的人工智能市場？

黃學東：我覺得人工智能造就的“餅”足夠大，傳統(tǒng)公司和新生公司都可以在這個餅上發(fā)揮自己的空間，為用戶提供更優(yōu)質(zhì)的服務(wù)。微軟云是提供全球很寬泛的一個平臺，它的覆蓋力不管是全球語言還是數(shù)據(jù)中心的覆蓋力都應(yīng)該是引導潮流的。在這樣一個平臺上，微軟的從計算機視覺到自然語言處理，再到語音和搜索、知識表達等服務(wù)，都是業(yè)界領(lǐng)導潮流的。

所以在這個平臺上和人工智能的深度上微軟有非常大的優(yōu)勢，所以我們希望在提供這個寬度和深度這樣的架構(gòu)下，有更多的開發(fā)商可以在這個平臺上開發(fā)出我們還沒有想到的應(yīng)用，這個才是平臺做的事情。大家要知道微軟有廣度且有深度，這個情況下開發(fā)商應(yīng)該加入這個平臺，在上面創(chuàng)造他們新的價值。