語音智能AI電視將成為行業(yè)主流

2017年是AI彩電產(chǎn)品的元年——所謂AI彩電就是一種新的、能聽懂大家的語言，執(zhí)行語言命令，甚至可以和大家自由對話的電視機(jī)產(chǎn)品。統(tǒng)計數(shù)據(jù)表明，2017年新上市彩電機(jī)型中，近四分之一配備了語音智能功能。

2018年初，語音智能AI電視進(jìn)一步升級。業(yè)內(nèi)預(yù)計，2018年新發(fā)布的彩電產(chǎn)品配備AI語音技術(shù)的比例，將迅速上升到8成以上，即除了少數(shù)主打低價格的產(chǎn)品外，大部分新品都將成為智能電視。智能語音正在進(jìn)入一個快速發(fā)展的“新階段”。

消費電子產(chǎn)品，語音技術(shù)成為標(biāo)配

1月29日，作為小米電視2018年推出的第二款新品——小米盒子4正式發(fā)布，其最大特點是直接預(yù)置人工智能語音系統(tǒng)。智能盒子產(chǎn)品是“存量老電視體驗升級”的關(guān)鍵工具。國內(nèi)彩電用戶大概有半數(shù)采用智能盒子、OTT盒子、IPTV盒子等產(chǎn)品接入電視網(wǎng)絡(luò)。小米盒子4標(biāo)志著，這一“存量”市場，進(jìn)入關(guān)鍵的“智能語音化”發(fā)展新階段。

智能語音技術(shù)的另一個新消費類產(chǎn)品是“智能音箱”。2018年CES展會，百度系展示了3款智能音箱產(chǎn)品。該產(chǎn)品還是三星、蘋果、谷歌等國際巨頭的必爭之地。國內(nèi)市場，天貓系也在2017年中推出了智能音箱產(chǎn)品。目前，智能音箱產(chǎn)業(yè)開拓最好的是美國市場：在美國，2017年有近六分之一的人（超過5000萬）擁有智能音箱，這個數(shù)字比16年翻了一倍還多。

從國內(nèi)市場看，智能語音盒子、智能語音音箱和智能語音電視已經(jīng)構(gòu)成家庭和個人消費“智能語音”應(yīng)用的三大平臺。且每一個品類的潛在市場規(guī)模都是“千萬臺”的。但是，這三個品類與智能語音應(yīng)用的王者：智能手機(jī)比較，銷量真的有點“小”。手機(jī)產(chǎn)品應(yīng)用語音輸入、語音操作等技術(shù)已經(jīng)很久了。其中，更有6成以上的用戶，經(jīng)常使用語音輸入。不過作為掌上設(shè)備，語音操作在手機(jī)上的應(yīng)用卻不明顯。

除了以上消費電子設(shè)備外，家電行業(yè)還看好“空調(diào)”的語音智能化、抽油煙機(jī)的聲音感知與油煙感知的自動運行等“家電嵌入智能”技術(shù)的發(fā)展。有空調(diào)屆人士表示，語音控制的空調(diào)產(chǎn)品和環(huán)境自動感知技術(shù)結(jié)合，能帶來更好的操作體驗、更好地?zé)o操作自動環(huán)境控制體驗和避免空轉(zhuǎn)的節(jié)能效果。

作為人類最重要的溝通方式，語音技術(shù)的發(fā)展顯然已經(jīng)成為消費電子產(chǎn)業(yè)重要的創(chuàng)新環(huán)。彩電產(chǎn)品語音化更是成為重要行業(yè)趨勢，并快速邁向普及。

語音智能很神奇，如何做到真好用

很多人覺得，智能電視語音技術(shù)就是“多安裝一個軟件”。但是，真實的產(chǎn)品研發(fā)，卻要比“一個軟件”復(fù)雜的多。

實現(xiàn)語音交互，首先需要為設(shè)備配備“麥克風(fēng)”，也就是“拾音”產(chǎn)品。與我們一般的會議講話、KTV娛樂的麥克風(fēng)不同，智能語音電視機(jī)的麥克風(fēng)必須具有三個技術(shù)特征。第一是，遠(yuǎn)場效果好。即至少在5米遠(yuǎn)，能夠準(zhǔn)確識別日常對話，甚至識別壓低聲音但清晰的對話。這與手機(jī)、KTV、直播、會議室麥克風(fēng)“對著嘴”的應(yīng)用截然不同。

第二，智能語音技術(shù)麥克風(fēng)必須是“全向拾音”。由于語音交流不是“嘴對著麥克風(fēng)吹”，也就導(dǎo)致交流人員與麥克風(fēng)等設(shè)備的“角度關(guān)系”千差萬別。比如一個智能音箱，擺放在茶幾上，那么他就需要對360度方位內(nèi)的聲音都能很好識別。因此，智能語音產(chǎn)品通常采用一個“多麥耦合”陣列，實現(xiàn)全方向全域拾音。

第三，智能語音技術(shù)的麥克風(fēng)必須有很高的“信噪比”。即要能夠?qū)苟喾N噪聲的干擾。遠(yuǎn)場和全向拾音，進(jìn)一步增加了對麥克風(fēng)信噪比的考驗。

但是，對于智能語音設(shè)備而言，其最大的技術(shù)要求顯然不在“苛刻的拾音技術(shù)上”，而在于“語音到語意”的理解上。智能語音設(shè)備的目的是理解對方的具體意思。這與傳統(tǒng)的會議、KTV、電話等場景，麥克風(fēng)和語音系統(tǒng)只負(fù)責(zé)“原樣搬運聲音”的工作完全不同。

識別語音的含義，有哪些難關(guān)呢？比如，要從多人語音，尤其是居家環(huán)境下的多人對話、對正在播放的視聽內(nèi)容的聲音中有效區(qū)分“和誰對話、誰在對話”。這就涉及一種稱為聲紋的身份識別和認(rèn)證技術(shù)（類似于指紋識別、人臉識別等的功用）。再比如，不是每個人都是“新聞聯(lián)播”式的標(biāo)準(zhǔn)普通話應(yīng)用者：口音、方言、口頭禪，這些的處理具有很大的“個人性”、“差異性”。這需要智能語音系統(tǒng)能夠?qū)W習(xí)和升級自己，適應(yīng)“主人”的語言特征。后者涉及到機(jī)器學(xué)習(xí)等高級智能技術(shù)。

當(dāng)然，智能語音技術(shù)的電視機(jī)，不是“一個人在戰(zhàn)斗”，這種電視機(jī)首先是一種“網(wǎng)絡(luò)電視機(jī)”。即，語音技術(shù)可以從網(wǎng)絡(luò)上得到更強(qiáng)大的“支持”。包括，智慧程序和算法的升級、個人語言特征和習(xí)慣的遠(yuǎn)程訪問和使用、遠(yuǎn)程云計算提供更為強(qiáng)大的算法和理解計算力支撐，支持更多的“潛在應(yīng)用”開發(fā)等等。

綜上所述，AI語音電視的升級，不是簡單增加一個軟件而已。而且隨著語音和人工智能技術(shù)的進(jìn)一步發(fā)展，引入專門的智能協(xié)處理器、神經(jīng)元處理器、改變傳統(tǒng)產(chǎn)品的底層架構(gòu)是大勢所趨。語音技術(shù)和彩電產(chǎn)品的整合，將是一個系統(tǒng)性的產(chǎn)品技術(shù)體系革新。

有了AI語音，彩電能做什么

彩電和其它消費電子、家電企業(yè)在AI語音技術(shù)上的熱情，足以說明這一技術(shù)進(jìn)步的“戰(zhàn)略性”和“重要意義”。

就目前而言，彩電AI語音功能更多的是扮演了“遙控器”的替代者的角色。很多時候找遙控器、遙控器摔壞、遙控器沒電是“很惱人”的事情。彩電行業(yè)一直在嘗試尋找“遙控器替代者”。早期，曾經(jīng)發(fā)展過肢體語言和隔空觸控的技術(shù)。但是，這種技術(shù)體驗精度、交互廣泛性并不友好，沒有成為主流。

而采用語音技術(shù)的產(chǎn)品，不僅可以直接呼喚彩電菜單、電視臺和電視網(wǎng)絡(luò)中節(jié)目菜單的內(nèi)容，也可以實現(xiàn)文字輸入、直接查詢網(wǎng)絡(luò)上的以文字信息為索引的“非標(biāo)準(zhǔn)菜單”內(nèi)容?；蛘哒f，語音技術(shù)不僅“替代了遙控器的所有功能”，而且還“創(chuàng)造出遙控器不擅長的（例如文字輸入）和不存在的（語音對話）等功能”。

從未來發(fā)展看，語音智能技術(shù)會為彩電產(chǎn)品打開一些嶄新的應(yīng)用場景。傳統(tǒng)彩電的作用主要是視頻娛樂——即內(nèi)容始終是單向傳輸?shù)摹５?，語音技術(shù)可以讓彩電成為一個“關(guān)鍵節(jié)點”。作為一個語音交互和信息處理器，彩電可以成為其他智能家居產(chǎn)品的“中控大腦”。作為一個連接云系統(tǒng)的輸入終端，彩電可以依賴背后更強(qiáng)大的計算與知識能量，與“觀眾對話、拉家?！?，甚至實現(xiàn)更多的主動行為功能、大量互聯(lián)網(wǎng)應(yīng)用的入口與界面……

某種意義上，智能語音技術(shù)的彩電只是彩電真正進(jìn)入“人機(jī)智能”時代的一個窗口。以此為線索，涉及的是整個家居、生活、家庭和個人“智能應(yīng)用”的體系網(wǎng)絡(luò)；以及這個網(wǎng)絡(luò)背后所依賴的云存儲、計算和知識體系。彩電企業(yè)高度看中AI電視的發(fā)展，恰是因為語音電視背后巨大的“潛在可能”。

甚至，語音語意技術(shù)的創(chuàng)新已經(jīng)成為一項重要的國家戰(zhàn)略。2017年12月，工業(yè)和信息化部印發(fā)了《促進(jìn)新一代人工智能產(chǎn)業(yè)發(fā)展三年行動計劃（2018-2020年）》的通知。其中就提到，“支持新一代語音識別框架、口語化語音識別、個性化語音識別、智能對話、音視頻融合、語音合成等技術(shù)的創(chuàng)新應(yīng)用”。“2020年，實現(xiàn)多場景下中文語音識別平均準(zhǔn)確率達(dá)到96%，5米遠(yuǎn)場識別率超過92%，用戶對話意圖識別準(zhǔn)確率超過90%”；“多語種智能互譯取得明顯突破，中譯英、英譯中場景下產(chǎn)品的翻譯準(zhǔn)確率超過85%”；“智能電視市場滲透率達(dá)到90%以上等重要目標(biāo)和要求”。

2010年開始的智能電視革命，讓電視上網(wǎng)成為一種流行和主要體驗方式；現(xiàn)在智能革命進(jìn)入第二階段“人機(jī)智能”正在以語音交互為最初的鑰匙，打開彩電業(yè)的未來之門。