巨頭企業(yè)紛紛入局 智能音箱行業(yè)硝煙起

7月5日，阿里推出了自己的首款消費級AI產(chǎn)品天貓精靈X1，同日百度也宣布了DuerOS開放平臺，可以支持基于語音和圖像識別的智能產(chǎn)品開發(fā)。

細數(shù)當前的智能音箱領(lǐng)域的玩家，既匯集了亞馬遜、谷歌、蘋果、微軟、三星等國際巨頭，阿里、京東、小米、聯(lián)想等國內(nèi)企業(yè)也紛紛入局。

Strategy Analytics今年6月下旬發(fā)布的研究報告顯示，全球基于Wi－Fi的無線音箱出貨量在2016年增長62％達到1400萬臺，其中，亞馬遜在增量中占有77％的份額。

一位不愿具名的行業(yè)人士向記者分析認為，亞馬遜Echo以語音為入口接入家庭智能，整個處理在云端進行，背后是軟件、硬件以及開發(fā)者的完整生態(tài)。由于一些國外的云服務(wù)和內(nèi)容在國內(nèi)不能使用，未來中國肯定會有像亞馬遜一樣做平臺生態(tài)的公司出現(xiàn)，開放硬件接口給廠商，這也給本土企業(yè)帶來新機遇。

語音交互落地

“從90年代末IBM推出了第一款商品化的語音識別系統(tǒng)ViaVoice，到比爾·蓋茨倡導(dǎo)下一代語音交互界面，做了十幾年還沒有成功案例。Echo真正教育了用戶和市場，給行業(yè)樹立很好的標桿。”在7月7日－7月9日舉辦的CCF－GAIR全球人工智能與機器人峰會上，元趣信息技術(shù)CEO吳義堅說。

亞馬遜于2014年發(fā)布的智能音箱Echo能夠依靠語音助手Alexa實現(xiàn)音樂播放、新聞搜索、網(wǎng)購下單、Uber叫車、外賣預(yù)定等服務(wù)，被認為打開了物聯(lián)網(wǎng)的一個重要入口，以此成為行業(yè)標桿。據(jù)不完全統(tǒng)計，截至目前，Echo在全球已經(jīng)賣出超過一千萬臺。

“Echo的成功，讓更多人相信未來物聯(lián)網(wǎng)的入口應(yīng)該是智能語音識別器，這是Synaptics把語音納入人機界面的一個重要原因?！比藱C界面交互解決方案設(shè)計制造公司Synaptics于6月宣布收購了語音音頻處理方案商Conexant（科勝訊系統(tǒng)），其副總裁兼中國區(qū)總經(jīng)理盧兵此前向21世紀經(jīng)濟報道記者介紹，“我們一致認為，語音已經(jīng)到了一個時間點，會成為下一代人機界面的主要功能?！?/p>

目前來看，近場語音的識別率已經(jīng)達到了相當高的程度，科大訊飛、搜狗等語音輸入可以達到95％以上的準確率，但實際的使用場景中還有很多障礙需要跨越?！皬倪h距離、噪音環(huán)境的處理，口音、方言的支持，智能化場景對聯(lián)動、控制、兼容性的要求等方面存在各種各樣的問題。我們覺得大規(guī)模商用過程中，目前我們的技術(shù)和產(chǎn)品還沒有那么成熟?！遍T羅機器人創(chuàng)始人楊興義認為，語音語義在用戶體驗的角度還處在比較早期的階段。

超多維創(chuàng)始人兼董事長戈張日前向記者分析認為，未來的產(chǎn)品發(fā)展在外觀、硬件、服務(wù)、設(shè)計上會越來越綜合化，產(chǎn)品并不只是一款硬件，還包含軟件平臺、算法、內(nèi)容等，是個系統(tǒng)工程。Echo的優(yōu)勢一方面在于它的控制能力，另一方面是它的服務(wù)能力。要做成一款成功的智能語音產(chǎn)品，并商業(yè)落地，不是一件容易的事。

中國會否出現(xiàn)Echo？

從早期的京東叮咚音箱到近期的喜馬拉雅小雅AI音箱、阿里天貓精靈，中國市場已經(jīng)有著眾多搭載智能語音技術(shù)的硬件產(chǎn)品，但遺憾的是，并沒有一款像亞馬遜Echo這樣深入大眾后流行起來。

從事語義理解的驀然認知CEO戴帥湘表示并不看好音箱品類。“要成為一個爆款，需要有存量市場，產(chǎn)品有延續(xù)性。推一個新品類需要強大的說服用戶的能力，這是有難度的。”

他解釋稱，中美客廳文化存在差異，音箱在國內(nèi)家庭并沒有足夠的使用習(xí)慣，市場沒那么大。但他也認為入局者眾至少可以教育民眾，對整個交互產(chǎn)業(yè)鏈都是好事。驀然認知目前主要打造的交互場景是家居和車載，這被戴帥湘認為“前景廣闊”。

在吳義堅看來，中國已經(jīng)具備誕生Echo的土壤，其中阿里是有可能做成Echo生態(tài)的——在人工智能語音上，阿里最近幾年從全球范圍內(nèi)籠絡(luò)到很多資深人才加入，有很強的技術(shù)積累；它也有大量音樂、內(nèi)容、電商等方面的服務(wù)，具備商業(yè)化的條件。

據(jù)悉，一個語音產(chǎn)品方案由三部分組成，硬件前端包括麥克風陣列、降噪算法、芯片、硬件平臺等，云端包括語音識別和語義理解、語音數(shù)據(jù)，內(nèi)容合作有音樂、天氣、短信、通話等應(yīng)用工具。如果未來消費電子都支持語音交互，這也將帶來從元器件到內(nèi)容服務(wù)全產(chǎn)業(yè)鏈的重構(gòu)。

從國內(nèi)的產(chǎn)業(yè)鏈上看，聲智科技CEO陳孝良指出，首先麥克風要在性能、低功耗上做很大的改進，“整個全球市場上中國的麥克風產(chǎn)業(yè)占的比重很小，核心技術(shù)不在國內(nèi)。而且我們現(xiàn)在做的麥克風是標量麥克風，只能取一個物理量，下一步要解決很復(fù)雜的聲學(xué)問題，需要矢量麥克風。我們國內(nèi)相對會落后一點?！贝送?，芯片、算法上的原創(chuàng)性技術(shù)，以及商業(yè)化方面也都面臨挑戰(zhàn)?！皣鴥?nèi)的內(nèi)容和服務(wù)相對比較割裂，但亞馬遜就把很多優(yōu)勢集中在一起?！?/p>

他同時指出，遠場語音交互開始是智能音響，但是將來絕對不僅僅是智能音響，技術(shù)還會擴展到很多其他的產(chǎn)品。