畢夫

用不著為發(fā)短信不會碼字而發(fā)愁，也用不著獨處時無人聊天而郁悶，更用不著駕駛時在顯示屏上查詢路線圖而手忙腳亂，只要一個簡單的口令，語音助手就可為你送上貼心而滿意的服務(wù)，幫你找到需要求解的答案。不僅如此，只要你愿意，這種我們根本看不見的小天使總會跟隨與陪伴在自己的身邊，并帶來意想不到的愉悅體驗，點綴出生活與工作的更多樂趣。

貼心的無形助手

“賈維斯，幫我把那個鉗子拿一下”

“賈維斯，房間衛(wèi)生如何？”

“賈維斯，幫下分析一下這個物質(zhì)”

……

以上口令就是Facebook總裁扎克伯格仿照電影《鋼鐵俠》里的智能管家賈維斯向自己家中的語音助手“賈維斯”管家發(fā)出的口令，而且這個管家從叫醒主人到調(diào)節(jié)室溫，從識別來客到參與家庭娛樂，但凡能想到的場景，幾乎無所不能。語音助手正在慢慢地走進(jìn)我們的生活。

作為一場新技術(shù)革命的成果，互聯(lián)網(wǎng)最大的普世價值就是實現(xiàn)了人機(jī)交互，然而，依賴于手指與屏幕的傳統(tǒng)交互方式不僅因動作遲緩而帶來效率低下，并且也缺乏來自機(jī)方的主動反應(yīng)與交流，同時更將盲人等群體以及反映遲鈍的老年人群和文盲人群排斥在外；另外，雖然尚未成熟的圖像識別交互方式讓交互的界面變得生動起來，可冷冰冰的畫面仍然未能釋放出可以滿足人類情感訴求的元素。但是，建立在人工智能（AI）基礎(chǔ)之上的語音交互在實現(xiàn)“去手指”與“去屏幕”并大大提高人機(jī)交互效率的同時，更能讓機(jī)器主動地讀懂人類以及人類的世界，從而讓人類獲得前所未有的極致體驗。借助于語音交互的場景，人類只要發(fā)出簡單的口令，語音助手就能快捷地適配出主人所需要的服務(wù)，甚至還可以與人類進(jìn)行著輕松聊天與情感交流，這種自然度、方便性的交互方式所惠及的人群顯然要比指屏互動方式廣泛得多。據(jù)Gartner預(yù)測，到2018年，30%的人機(jī)交互將通過自然語言完成。

互聯(lián)網(wǎng)女皇瑪麗·米克爾曾在《互聯(lián)網(wǎng)趨勢》報告中指出，人機(jī)語音交互的核心在于自然語言識別及處理技術(shù)，如果語音識別準(zhǔn)確率從95%上升到99%后，語音交互將迅速普及，甚至將改變現(xiàn)有的游戲規(guī)則?，F(xiàn)在看來，這種技術(shù)正在走向成熟，其中最重要的支撐力量就是人工智能。可以說語音助手被喚醒、聽明白、會說話的過程實對應(yīng)著的就是是機(jī)器學(xué)習(xí)（深度神經(jīng)網(wǎng)絡(luò)）過程，借助于AI，語音助手不僅能夠聽懂與理解人類發(fā)出的口令，而且可以進(jìn)行深度學(xué)習(xí)與進(jìn)步，拓展出主題口令之外更多的東西，因此，語音交互的背后體現(xiàn)的就是人工智能對于用戶體驗上的識別與滿足能力。

除了AI這一核心技術(shù)支撐外，大數(shù)據(jù)技術(shù)之下的信息集納與匯總能力、云計算技術(shù)之下的精算能力，物聯(lián)網(wǎng)技術(shù)之下的擇配能力等都從不同角度對對語音交互形成了重要的撐托；而據(jù)麻省理工學(xué)院（MIT）的最新研究報告，基于現(xiàn)有手機(jī)分給語音識別的電量高達(dá)1瓦特的壓力，MIT已開發(fā)出語音識別電耗僅為0.2-10毫瓦的芯片，語音交互的終端續(xù)航能力由此大大提高。另外，伴隨著智能手機(jī)、穿戴工具等硬件設(shè)備的普及，加之微信等各種社交工具對消費者習(xí)慣的培養(yǎng)與引導(dǎo)，語音助手由此贏得了十分廣闊的落地空間。一個屬于智能語音交互的時代也正在迅速開啟。

“四大天王”的天下

提及語音助手，很多人便會想起6年前蘋果基于 Nuance 的技術(shù)推出的Siri，而且Siri已經(jīng)內(nèi)置在了iphone手機(jī)以及奧迪等多款中高檔車的車載系統(tǒng)中，但是，那時的Siri還只是一個小學(xué)生，不僅反應(yīng)慢，而且差錯率高，更談不上交互過程中的服務(wù)延展，因此，包括無數(shù)“果粉”在內(nèi)，使用Siri進(jìn)行交互的屈指可數(shù)。但是，從三年前開始，蘋果便為Siri 置換了“大腦”，也就是說將原本比較粗糙的技術(shù)換成了機(jī)器學(xué)習(xí)機(jī)制，讓它具備了人工智能特性，這也可以看做是蘋果在部署人工智能領(lǐng)域的一步最重要的棋子。也正是憑借著先發(fā)優(yōu)勢與升級導(dǎo)航，Siri作為語音交互的元老至今還保存著青春般的本色。

不過，現(xiàn)在的語音交互市場已經(jīng)不是Siri的獨步天下，與其并列甚至大有后來居上氣勢的還有谷歌的Assistant、亞馬遜的Alexa與微軟的Cortana，以此為基礎(chǔ)，“四大天王”也在各自門下開發(fā)與設(shè)置出了場景豐富的智能生態(tài)系統(tǒng)。不過，姜還是老的辣。目前Siri會說36個國家的21種語言，甚至在蘋果即將推出的 iOS 10.3 版本中， Siri 還會說上海話；略遜一籌，Cortana會說13個國家的8種語言，但Assistant僅會說4種語言，而Alexa只能說英語和德語。

當(dāng)然，掌握與運(yùn)用交互語言的種類也只是衡量一個語音助手競爭優(yōu)劣的一個方面，除此之外應(yīng)當(dāng)還有更多的維度：一是應(yīng)用場景的功能，保羅功能的數(shù)量、功能的適配性與精確性；二是語義的識別能力，包括識別度的高低與錯誤率的高低；三是交互界面的豐富度，包括界面的動感性、色彩搭配度以及主題音樂的撐托度；四是語音交互與體驗深度，包括語音的全程流暢度、上下問題的延伸能力；五是知識庫的構(gòu)建，包括知識庫的規(guī)模、響應(yīng)的顆粒度；六是應(yīng)用能力的整合，包括第三方的應(yīng)用者的數(shù)量、功能衍生數(shù)量以及參與者的變現(xiàn)程等。

按照以上綜合標(biāo)準(zhǔn)，著名的語音分析創(chuàng)業(yè)公司VoiceLabs對“四大天王”進(jìn)行了系統(tǒng)性的比較檢測，并在《2017語音報告》中發(fā)布了如下結(jié)果：在信息功能方面，Siri的表現(xiàn)最為優(yōu)秀，包括功能覆蓋廣度以及語音全流程交互深度都要強(qiáng)于對手，這得益于iphone手機(jī)內(nèi)置的短息功能的整合與打通；在新聞話題方面，Assistant不僅能保持其精品化的特征，還整合了大量的第三方新聞媒體作為信息源，很好的提升了用戶體驗；在基礎(chǔ)知識問題的解決方面，Alexa對應(yīng)的知識庫最為廣泛，能夠識別不同領(lǐng)域的基礎(chǔ)知識問題，并精準(zhǔn)搜索給出答案，這與亞馬遜在基礎(chǔ)知識庫搭建上下了較重的功夫直接有關(guān)；在非指向性的生活服務(wù)方面，Cortana的表現(xiàn)較為突出，這應(yīng)當(dāng)?shù)靡嬗贐ing搜索的功能。看得出，“四大天王”門下的語音助手各自的獨門絕技，深厚的底蘊(yùn)還是來源于它們的傳統(tǒng)看家本領(lǐng)。

值得注意的是，“四大天王”之外還游離著一些野戰(zhàn)勁旅。據(jù)悉，三星總共斥資10億美元用于發(fā)展人工智能，而且在收購了Siri之父創(chuàng)立的Viv公司之后，三星已經(jīng)開發(fā)出名為Bixby的智能語音助手，并已經(jīng)配置在了最新Galaxy S8之中，同時Bixby支持8種語言。另外，IBM日前對外宣布，公司已經(jīng)打造出一個專注于網(wǎng)絡(luò)安全的語音助手AI，該AI名為“Project Hayvn”，它能夠用于維持用戶網(wǎng)絡(luò)環(huán)境的信息安全，每天對成千上萬個安全威脅進(jìn)行梳理，并且篩選出重要的警報信息與用戶交流，提醒用戶注意，保證家庭或者公司的網(wǎng)絡(luò)安全。

巨頭們的暗戰(zhàn)

根據(jù)中國工業(yè)和信息化部電子科技信息情報研究所數(shù)據(jù)顯示，2017年全球智能語音產(chǎn)業(yè)規(guī)模將達(dá)112.4億美元，復(fù)合年均增長率達(dá)35.1%。正是看到了如此巨大的商機(jī)，巨頭們擺開了搶占市場的強(qiáng)勢陣容，在紛紛進(jìn)行產(chǎn)品迭代創(chuàng)新的同時，將火力重點集中在了硬件載體與智能設(shè)備入口之上。

汽車是語音助手最易爆發(fā)的消費場景，這不僅是因為許多國家的交通法規(guī)不允許在駕車時打電話，而且還由于汽車的封閉環(huán)境能夠給駕駛員帶來最人性化的交互體驗，在確保駕駛安全的同時，語音助手用最自然的語言提供打電話、導(dǎo)航、音樂、周邊查詢、車輛控制等全程周到的脫屏服務(wù)。截止目前，Siri已經(jīng)整合進(jìn)奧迪、寶馬、克萊斯勒等全球九家知名汽車中，Assistant配置在了起亞、雪佛蘭、斯柯達(dá)等汽車品牌之上，而就在日前，Alexa與福特、大眾、現(xiàn)代和沃爾沃等簽署了戰(zhàn)略合作協(xié)議，大有奮起直追之勢。

智能家居成為了語音助手落地的另一個火熱終端，且在這一領(lǐng)域亞馬遜與谷歌已經(jīng)打得死去活來。據(jù)悉，在亞馬遜推出了Alexa支持下的智能音箱Echo一年之后，谷歌推出了搭載Assistant的智能音箱Home，二者除了具備家電啟動與關(guān)閉、視頻點播等功能外，還能進(jìn)行網(wǎng)購服務(wù)，尤其是Echo，亞馬遜已經(jīng)為其添設(shè)了Voice ID的最新功能，該功能可通過聲波紋辨別出主人的聲音，繼而精準(zhǔn)地提供所需服務(wù)。只要家庭成員可以在Echo設(shè)置一個統(tǒng)一賬號，發(fā)出口令不需要進(jìn)行個人帳號的手動切換，就可以同時分享Echo流暢無縫的服務(wù)。當(dāng)然，無論是Echo還是 Home，如此賣力地深耕智能家居系統(tǒng)，無疑就是希望自己能夠成為整個智能家居生態(tài)的中樞。

攻占智能家居市場的同時，智能手機(jī)等其他終端更是科技巨頭們分發(fā)語音助手更為廣闊的載體，而這方面當(dāng)然最主要的就是Siri與Assistant以及二者分別搭載的iOS系統(tǒng)與Android系統(tǒng)之間展開的對決。據(jù)悉，除了從 iPhone 4S到如今的 iPhone 7裝配了功能等級不同的Siri之外，蘋果的 Mac與iPad設(shè)備至今均支持Siri。不過與Siri相比，在進(jìn)入谷歌自有品牌手機(jī)Pixel之中的同時，Assistant前不久也空降到LG推出的最新款智能手機(jī)G6的身上，而且谷歌已經(jīng)公告，Assistant還將配置到今后6.0或者7.0的所有 Android系統(tǒng)中。不僅如此，由于第三方語音助手不能整合到iOS平臺，谷歌已針對性地開發(fā)了多款應(yīng)用，未來可能登陸iPhone和iPad等非谷歌設(shè)備中。與蘋果與谷歌相比，亞馬遜雖因沒有自己的智能手機(jī)而顯得有點英雄氣短，但卻拉來了聯(lián)想與華為兩大重量級合作伙伴。據(jù)悉，未來Alexa將會整合到摩托羅拉更多手機(jī)中，同時華為已經(jīng)宣布將在美國發(fā)售的Mate9智能手機(jī)上使用Alexa。

語音助手的功能也直接決定著其市場競爭力，因此，向第三方開放平臺系統(tǒng)就成為科技巨頭的一致性行動。據(jù)悉，在Siri平臺上，開發(fā)者可以基于 Siri 提供的智能功能打造自己的 APP，而且用戶僅憑語音就能直接與APP互動，進(jìn)而獲取相應(yīng)的服務(wù)。而在Cortana平臺上，微軟推出了Skills Kit 和Devices SDK等開發(fā)工具，重點幫助 OEM 和 ODM 廠商輕松打造第三方智能物聯(lián)網(wǎng)設(shè)備以及相關(guān)的應(yīng)用程序。另外，由于向群體完全開放，Alexa如今的技能增加到了一萬種，這一數(shù)字在今年1月還是7000種，去年年初只有 130 種；受到影響，僅Echo的用戶目前就達(dá)到820萬，年底可以遞增到 1000 萬。

值得指出的是，由于智能語音技術(shù)的研發(fā)周期長、投入大，同時智能語音對人工智能實力以及生態(tài)系統(tǒng)廣度的要求高，因此最終產(chǎn)品的落地遠(yuǎn)非一個獨立廠商所能全部勝任，基于此，蘋果先后吃進(jìn)了VocalIQ、Turi和RealFace等眾多人工智能領(lǐng)域的創(chuàng)新企業(yè)，微軟也在前不久收購了拿大人工智能初創(chuàng)企業(yè)Maluuba，而且谷歌先前掏出4億英鎊的真金白銀收購DeepMind近乎路人皆知；至于亞馬遜，從吸收了語音辨別公司Nuance開始，就一直沒有停止資本并購的腳步，直至將Yap和Evi等語音技術(shù)初創(chuàng)公司悉數(shù)裝入囊中。

中國企業(yè)新方陣

由于技術(shù)上目前并不足以支持開發(fā)出自我語音交互工具，或者說因為本土交互產(chǎn)品的質(zhì)量不穩(wěn)定，我國絕大多數(shù)的智能終端產(chǎn)品企業(yè)都像華為和聯(lián)想那樣只能選擇與“四大天王”的合作，不過，這并不等于中國企業(yè)未能邁出自我探索的步伐。作為全球與國內(nèi)領(lǐng)先的手機(jī)設(shè)備廠商，華為已經(jīng)成立了一個由100名工程師組成的專業(yè)團(tuán)隊，主攻智能語音，目標(biāo)事基于Assistant與Alexa以及Bixby都還無法在中國使用的現(xiàn)實，力爭搶占國內(nèi)智能手機(jī)語音交互中文市場的更多空白。

BAT被認(rèn)為是在語音交互市場最具研發(fā)實力與產(chǎn)品推送能力的國內(nèi)企業(yè)陣容，其中百度的布局輪廓最為清晰，功力積累也最為深厚。由于在圖像和語音核心部位占有寬敞的入口，百度如今不僅成為了與谷歌、微軟、Facebook相并列的全球四大人工智能巨頭，而且在《麻省理工科技評論》公布的2016年十大突破技術(shù)中，百度憑借語音交互技術(shù)登上了榜單。不僅如此，百度語音已經(jīng)與海爾、小米、Letv、聯(lián)想、中興、比亞迪、索尼、網(wǎng)易游戲、特斯拉建立起了合作關(guān)系，足以體現(xiàn)出百度語音在國內(nèi)市場具備的影響力。

基于軟硬結(jié)合的人工智能產(chǎn)品這一全新的戰(zhàn)略方向，百度請到了全球科技界享有盛譽(yù)的杰出管理人才陸奇出任擔(dān)任集團(tuán)總裁兼首席運(yùn)營官，而在上任不久，陸奇并親自操盤完成了對渡鴉科技的全資收購，標(biāo)的公司創(chuàng)始人呂騁攜團(tuán)隊加盟百度，并出任百度智能家居硬件總經(jīng)理。下一步，呂騁團(tuán)隊的主要任務(wù)是推進(jìn)百度智能硬件業(yè)務(wù)，尤其是重點保證語音交互在智能家居領(lǐng)域的落地與拓展，其首先推送的將是智能音箱，并圍繞智能音箱打造智能家庭，同時與第三方廠商合作，實現(xiàn)安防、燈光和窗簾等方面的智能化。另一方面，百度的度秘團(tuán)隊已升級為度秘事業(yè)部，該事業(yè)部的最重要職能就是推進(jìn)智能軟件的研發(fā)與升級，與呂騁團(tuán)隊協(xié)同打造極致創(chuàng)新體驗的語音交互產(chǎn)品。

與百度在智能語音交互領(lǐng)域快行的腳步幾乎同速，國內(nèi)出現(xiàn)了不少聚力趕超的語音交互專業(yè)翹楚。資料顯示，作為中國智能語音和人工智能領(lǐng)軍企業(yè)，科大訊飛旗下的訊飛開放平臺已成長為全球最具規(guī)模的智能交互技術(shù)服務(wù)平臺，該平臺以“云+端”的語音識別和語音合成服務(wù)只需簡單幾行代碼集成SDK（軟件開發(fā)工具包）便可讓應(yīng)用具備智能交互能力，釋放雙手，開啟智能交互，且目前應(yīng)用輻射到智能電視、可穿戴設(shè)備、智能車載以及機(jī)器人領(lǐng)域，同時為超過6萬個App提供智能語音交互服務(wù)，并吸引了20多萬開發(fā)者的入駐。相關(guān)數(shù)據(jù)顯示，科大訊飛已占有中文語音技術(shù)70%以上的市場份額，為8.9億終端用戶提供語音及人工智能交互服務(wù)。

有著如科大訊飛同樣豐富語音交互基因的思必馳雖然成立不到10年，但已經(jīng)成長為國內(nèi)唯一擁有人機(jī)對話技術(shù)、國際上極少數(shù)擁有自主產(chǎn)權(quán)的中英文綜合語音技術(shù)的公司之一。作為目前國內(nèi)唯一專注于智能硬件領(lǐng)域的語音公司，思必馳主要面向智能車載、智能家居和智能機(jī)器人三個垂直領(lǐng)域提供自然語言交互解決方案，其中思必馳語音在智能車載后裝市場占據(jù)了60%份額，智能后視鏡領(lǐng)域的市場占比達(dá)70%，而在智能HUD（平視顯示器）領(lǐng)域更是高達(dá)80%，除此之外，像小米的互聯(lián)網(wǎng)音箱等也采用了思必馳語音技術(shù)。

除了科大訊飛與思必馳之外，搜狗在語音交互領(lǐng)域也建樹不凡。據(jù)悉，憑借搜索引擎的優(yōu)勢，搜狗不斷在語音交互領(lǐng)域進(jìn)行拓展，旗下的語音交互引擎“知音”已經(jīng)應(yīng)用到了全線產(chǎn)品中，不僅在語音輸入上的準(zhǔn)確性上可與科大訊飛相比肩，而且還凸顯出非常明顯的快速識別和糾錯功能，未來“知音”將向著物聯(lián)網(wǎng)、車聯(lián)網(wǎng)和人工智能等方面延伸。

打通最后幾公里

總體上而言，人工智能還只是人類觸碰不久的新領(lǐng)域，繼續(xù)的深耕無疑面臨著更多的技術(shù)約束，產(chǎn)品的逐級落地自然就有一個不斷完善的過程。從目前來看，智能語音交互的商用前景值得期待，但要真正激活未來市場并使需求保持提升，仍然需要在門檻高度、服務(wù)功能以及親情程度等方面進(jìn)行深度地結(jié)構(gòu)性優(yōu)化。

首先是用戶的黏性問題。就像對待任何新生事物那樣，智能語音助手出現(xiàn)后，很多用戶可能會出于好奇心會去體驗一下，但據(jù)VoiceLabs的報告，平均而言，一個語音技能在啟用一周后仍然會被使用的概率只有3%，主要原因是技能啟動的失敗率較高。想要啟用一個技能，首先必須記住它的名字，其次還得準(zhǔn)確地說出特定的命令語句，這大大提高了用戶的使用門檻。另外，VoiceLab的報告還顯示，目前最受歡迎的技能種類主要是新聞、游戲、教育、生活方式等幾大類別，而其它數(shù)不清的技能都偏離了用戶的實際需求，大多數(shù)人很可能都沒聽說過，更不要說使用了。以Alexa為例，平臺上雖然擁有超過10000項技能，但只有 31%的應(yīng)用有超過一條評論，其它基本處于“僵尸狀態(tài)”。

針對以上短板，亞馬遜或谷歌今年將通過類似手機(jī)上的推送通知來加強(qiáng)新應(yīng)用的分發(fā)，并試圖解決用戶留存率低的問題，其中亞馬遜已經(jīng)設(shè)立了 250 萬美元的 Alexa Prize 獎金，資助 12 支大學(xué)團(tuán)隊，開發(fā)更能讀懂“主人”的智能語音，到時智能助手充分了解“主人”需求后，會主動在合適的時間主動提示合適的應(yīng)用，由此既可提高用戶的使用價值，還能解決語音應(yīng)用的分發(fā)留存難題。

其次是語音的豐度問題。由于目前的人工智能技術(shù)不可能做到機(jī)器自己回答問題，必須得有相應(yīng)的隊伍去負(fù)責(zé)更新和維護(hù)，而且語音交互支持的越多，它在后臺所需的寫手乃至其他人員也就越多。因此，要讓語音助手表現(xiàn)得隨意自然，還需要更深入的技術(shù)開發(fā)，并吸收更多的第三方力量進(jìn)入平臺之中，形成如同三星所言的“讓全世界一起來教育語音助手”的眾星拱月格局；另外，用戶希望從語音助手那里得到的不僅僅是迅速準(zhǔn)確的反饋，還有富有個性和感情聲音以及與人類交流時的親切感，因此，豐富語音交互的可視場景、加入更多的人性與繞情元素是語音交互自我完善的重點。不僅如此，作為脫屏化的語音交互平臺，如何在不打開手機(jī)或者電腦的情況下搜索各種應(yīng)用也是語音交互需要解決的問題。

再次是價值的外溢問題。綜合來看，目前進(jìn)駐語音交互平臺的第三方主要就兩類：一類是企業(yè)，立足平臺所開發(fā)出技能對他們來說有很大的營銷價值，而且有助于吸引更多的用戶；另一類則是純粹的愛好者，開發(fā)對他們來說不是一份工作，而是一種樂趣。顯然，這兩類開發(fā)者都不關(guān)注技能所帶來的收入多少。但是，要吸引更多第三方或者高級開發(fā)者的加入，平臺公司就必須解決好變現(xiàn)的路徑，也只有這樣，才能為語音交互積蓄與籠絡(luò)更深厚的技術(shù)與開發(fā)能量。