分析目的：了解語音助手的市場現(xiàn)狀以及趨勢，分析競品產(chǎn)品定位，異同點，深化對產(chǎn)品的理解。

分析范疇：訊飛語點機頂盒，小米電視，小愛同學(xué)，小度DuerOs電視伴侶。

分析方法：智能語音交互技術(shù)解析，智能語音市場分析，競品主要產(chǎn)品功能，競品體驗。

一、語音交互技術(shù)

語音交互（VUI）指的是人類與設(shè)備通過自然語音進行信息的傳遞，一次完整的語音交互需要經(jīng)歷ASR→NLP→Skill→TTS的流程。

語音識別（Automatic Speech Recognition）：簡稱ASR，是將聲音轉(zhuǎn)化成文字的過程。

自然語言處理（Natural Language Processing）：簡稱NLP，是理解和處理文本的過程。

語音合成（Text-To-Speech）：簡稱TTS，是把文本轉(zhuǎn)化成語音的過程。

智能語音交互系統(tǒng)作為人工智能最為典型的應(yīng)用之一，可以將其技術(shù)拆分為如上圖部分。

在實際的應(yīng)用場景中，對智能語音交互系統(tǒng)將提出特定的需求，本報告集中于家庭大屏場景下的交互分析。

值得注意的是，不同公司在智能語音技術(shù)的優(yōu)勢各有不同。其中，以行業(yè)龍頭科大訊飛為代表，基于其深耕行業(yè)20載，在語音識別，聲紋識別，語種識別有著較大的優(yōu)勢。

二、語音助手的市場現(xiàn)狀

1. 全球智能語音市場分析

據(jù)統(tǒng)計數(shù)據(jù)顯示：2017年全球智能語音美元，同比增長30%。隨著移動互聯(lián)網(wǎng)，智能家居，汽車，醫(yī)療等領(lǐng)域的應(yīng)用帶動智能語音產(chǎn)業(yè)規(guī)模持續(xù)快速增長，預(yù)計2019年全球智能語音市場規(guī)模將突破170億美元。

2. 全球智能語音市場份額

在全球智能語音市場份額占比中，Nuance全球市場占有率排名第一，市占率達到31.6%；其次為谷歌，市場占有率為28.4%；排名第三的是蘋果，市占率為15.4%；其后為微軟以及科大訊飛分別占有8.1%以及4.5%的市場份額。

3. 中國智能語音市場分析

在人工智能和物聯(lián)網(wǎng)技術(shù)的發(fā)展帶領(lǐng)下，智能家居蓬勃興起，互聯(lián)網(wǎng)巨頭及新興創(chuàng)業(yè)公司從硬件、技術(shù)、系統(tǒng)解決方案等不同角度進行布局，智能家居系統(tǒng)初步顯現(xiàn)。

預(yù)計2019年，中國智能家具市場規(guī)模將超1900億，雖增長規(guī)模有所放緩，但市場規(guī)模將保持穩(wěn)定增長，2020年將突破2000億元。

4. 語音交互的市場規(guī)模以及市場格局

目前，中國智能語音市場的主要份額被科大訊飛、百度以及蘋果分割。

數(shù)據(jù)顯示：目前為止，中國智能語音市場，科大訊飛市場占有率排名第一，市占率達到44%；其次為百度，市場占有率為28%;排名第三的是的蘋果，市占率為7%；其后為Nuance以及小i機器人占有均為3.0%的市場份額（前瞻產(chǎn)業(yè)研究）。

5. 中國家庭大屏產(chǎn)業(yè)

中國電視機出貨量在經(jīng)歷2011年到2016年的持續(xù)正向增長后，2017年?次出現(xiàn)負增長，這?情況將在 2018年有所好轉(zhuǎn)。

同時，互聯(lián)?電視機出貨量占?連年穩(wěn)定攀升，預(yù)計2018年將達到88%，全年出貨量近 4000萬臺。2018年上半年，受世界杯效應(yīng)影響，銷量同?增長3.6%，但受降價影響，整體營業(yè)額下降2%，綜合測算全年銷量同?增長3%。

以電視機為代表的大屏設(shè)備在智能家居中扮演著舉足輕重的作用，作為智能家居最為主要的交互方式——語音交互，智能語音交互系統(tǒng)有著巨大的市場規(guī)模和發(fā)展?jié)摿?，本報告聚焦于基于大屏的智能語音交互系統(tǒng)進行分析。

相較于移動端的場景不同，大屏設(shè)備的主要使用場景在室內(nèi)，集中于家庭。目標客戶和使用場景的獨特性，使得智能語音應(yīng)用在該場景的使用具有特殊性。

例如用戶在近景中，我要看語文。這里“看”理解成學(xué)還是點播，意味著完全不同的跳轉(zhuǎn)頁面。這對于語義理解提出了較高的要求。

大屏設(shè)備作為智能家居概念的重要組成部分，也是語音交互的重要入口必然成為市場必爭的重要領(lǐng)域。

當我們轉(zhuǎn)向用戶思考IOT時代萬物互聯(lián)，意味著你身邊的任何設(shè)備都是聯(lián)網(wǎng)的，你可以在任何地方、任何時間和任何設(shè)備交互（IOT的4A原則），所以IOT將大大消弱了手機當前的交互中心地位。

當云端開始普及之后，未來計算平臺的前臺，是一系列形態(tài)、功能各異的智能硬件，這些硬件或大或小，有屏或無屏，近場或遠場，位置固定或隨身移動。雖然千差萬別，用戶卻希望在任何一臺設(shè)備上的交互狀態(tài)可以云端同步至其他設(shè)備，用戶可能隨時在設(shè)備間切換，但希望交互進程和數(shù)據(jù)流不被中斷、持續(xù)向前（集群智能）。

那么，什么樣的交互能夠支撐這種切換需求、適配各類設(shè)備而又保證體驗的一致性呢？

從這個角度思考，我們很容易就能發(fā)現(xiàn)語音交互的獨特優(yōu)勢。

6. 語音交互的優(yōu)勢

解放雙手、雙眼、雙腿，接觸空間限制，近場，遠場可交互；

指向明確，語義直達目標，縮短使用路徑；

自然簡單人性化，學(xué)習(xí)門檻低；

可以1對1，也可以1對多；

對設(shè)備要求低。

二、競品對比分析概覽

1. 競品簡介

小愛同學(xué)是小米科技于2017年7月26日推出的智能語音交互系統(tǒng)，適用于智能音響及其他智能設(shè)備，建構(gòu)于小愛開放平臺上，可以通過連接進入米家物聯(lián)網(wǎng)系統(tǒng)控制所有的米家智能設(shè)備。

小度電視伴侶是百度旗下的一款智能硬件產(chǎn)品，內(nèi)置DuerOS系統(tǒng)。從產(chǎn)品的概念來看，其以 Soundbar 的形態(tài)融入高性能 4K 機頂盒、智能音箱的功能，其三合一的創(chuàng)新產(chǎn)品形態(tài)，為客廳影音場景帶來了簡潔的一體性解決方案。

依托全語音交互大屏吸引，小度電視伴侶可實現(xiàn)利用語音打開設(shè)置中的藍牙開關(guān)、調(diào)整圖像設(shè)置等等。如“打開WiFi”“打開設(shè)置”等等，或者根據(jù)界面顯示的內(nèi)容，用語音命令指定播放視頻內(nèi)容，如“播放第三個”“這個人是誰”等等。此外，小度電視伴侶還可以通過語音控制多款智能設(shè)備，如“打開落地燈”“打開空調(diào)”等等。

訊飛語點是由科大訊飛推出的智能語音交互系統(tǒng)， 在2015年，科大訊飛重新定義了萬物互聯(lián)時代的人機交互標準，發(fā)布了對人工智能產(chǎn)業(yè)具有里程碑意義的人機交互界面——AIUI。

2016年，圍繞科大訊飛人工智能開放平臺的使用人次與創(chuàng)業(yè)團隊成倍增長。截至2017年1月，訊飛開放平臺在線日服務(wù)量超30億人次，合作伙伴達到25萬家，用戶數(shù)超9.1億，以科大訊飛為中心的人工智能產(chǎn)業(yè)生態(tài)持續(xù)構(gòu)建。

2. 目標客戶

本報告針對基于家庭大屏的智能語音交互系統(tǒng)的競品分析，故家庭大屏用戶為本報告產(chǎn)品的目標用戶。

現(xiàn)階段，主流大屏視頻接入主要分為DTV，IPTV和OTT三種類型，截?2018年Q2,DTV、OTT的中國城鎮(zhèn)家庭?屏保有量均超過2億戶，IPTV??保有量達到1.42億。其中，中國移動魔百和在?東省有約1000萬的?戶成功轉(zhuǎn)為IPTV?戶，移動OTT盒?并?IPTV陣營可能成為趨勢，那么有望在短期內(nèi)使IPTV總?戶也躍升?2億戶。

受限于數(shù)據(jù)和資料，本報告對不同類型的大屏終端用戶不作區(qū)分，以所有大屏用戶作為目標用戶作為分析對象。

大屏用戶性別分布比例：

大屏用戶年齡分布比例：

大屏用戶學(xué)歷分布比例：

基于現(xiàn)有數(shù)據(jù)可以分析得出，大屏用戶的用戶分布較為平均。

與傳統(tǒng)的人工智能產(chǎn)品以年輕人、高學(xué)歷、男性為主要目標用戶不同；基于大屏的智能語音交互系統(tǒng)用戶分布更為平均和廣泛，這種特點對具體場景的需求設(shè)計提出的新的要求。

目標用戶群體畫像不具有代表性，使得產(chǎn)品在設(shè)計和開發(fā)時需要更多的關(guān)注于場景而不是用戶，從該場景下的通用需求出發(fā)對產(chǎn)品進行設(shè)計和迭代。

三、評價指標

本報告基于智能語音交互系統(tǒng)使用場景，在大屏語音交互外結(jié)合了車載語音交互系統(tǒng)評價的標準，制定出對于大屏語音交互的性能評價體系。

智能語音交互系統(tǒng)的性能需滿足以下指標要求，其中喚醒率和誤喚醒率應(yīng)針對支持語音喚醒功能的語音交互系統(tǒng)。

1. ASR

1.1 字準確率

該指標用于評價語音交互系統(tǒng)輸出的人類可是別的文本信息正確率。對于中文普通話語音交互系統(tǒng)，該項指標的評價分類如表1。

1.2 識別成功率

若語音交互系統(tǒng)在既定的識別輪數(shù)內(nèi)完成了語音識別任務(wù)，則此次語音識別成功。語音識別成功與否應(yīng)該兼顧語音交互系統(tǒng)動作的可靠性問題。

若語音交互系統(tǒng)共進行了R次特定的語音識別任務(wù)，其中SR次識別成功，F(xiàn)R次識別出現(xiàn)誤操作（包括但不限于 未在既定的識別輪數(shù)內(nèi)完成，未完成識別前提前退出，識別無響應(yīng)）。則：

識別成功率= SR/R * 100%

誤操作率 = FR/R * 100%

識別成功率 + 誤操作率 = 1

1.3 平均響應(yīng)時間

該指標用于評價語音交互系統(tǒng)對語音識別任務(wù)的響應(yīng)速度，離線語音交互系統(tǒng)的平均響應(yīng)時間應(yīng)≤2S；在線語音交互系統(tǒng)的評價響應(yīng)時間應(yīng)≤3S。

1.4 喚醒率

若語音交互系統(tǒng)共進行了W次喚醒，其中SW次成功喚醒。則：

喚醒率 = SW/W * 100%

該指標用于評價語音交互系統(tǒng)在有背景噪音情況下，對語音喚醒操作的正確響應(yīng)情況。

1.5 誤喚醒率

若車載語音交互系統(tǒng)在T小時內(nèi)出現(xiàn)FW次誤喚醒。則：

誤喚醒率=FW/T 次/小時

該指標用于評價語音交互系統(tǒng)在有背景噪音的情況下，對語音喚醒操作的錯誤響應(yīng)情況。

2. TTS

主觀測試（自然度），以MOS為主：

MOS（Mean Opinion Scores），專家級評測（主觀）；1-5分，5分最好；

ABX，普通用戶評測（主觀）。讓用戶來視聽兩個TTS系統(tǒng)，進行對比，評測出聲音的自然度。

3. 交流體驗

3.1 用戶任務(wù)達成率（表征產(chǎn)品功能是否有用以及功能覆蓋度）

比如智能客服，如果這個Session最終是以接入人工操作為結(jié)束的，那基本就說明機器的回答有問題，或者重復(fù)提供給用戶相同答案等。

3.2 對話交互效率

比如用戶完成一個任務(wù)的耗時、回復(fù)語對信息傳遞和動作引導(dǎo)的效率、用戶進行語音輸入的效率等（可能和打斷，One-shot等功能相關(guān)）。

3.3 根據(jù)對話系統(tǒng)的類型分類

1）閑聊型

CPS（Conversations Per Session，平均單次對話輪數(shù)）。值得注意的是此指標為微軟小冰最早期提出的指標，并且是小冰內(nèi)部的（唯一）最重要指標。

相關(guān)性和新穎性。與原話題要有一定的相關(guān)性，但又不能是非常相似的話；

話題終結(jié)者。如果機器說過這句話之后，通常用戶都不會繼續(xù)接了，那這句話就會給個負分。

2）任務(wù)型

留存率：雖然是傳統(tǒng)的指標，但是能夠發(fā)現(xiàn)用戶有沒有形成這樣的使用習(xí)慣；留存的計算甚至可以精確到每個功能，然后進一步根據(jù)功能區(qū)做歸類，看看用戶對哪類任務(wù)的接受程度較高，還可以從用戶的問句之中分析發(fā)出指令的習(xí)慣去針對性的優(yōu)化解析和對話過程；到后面積累的特征多了，評價機制建立起來了，就可以上強化學(xué)習(xí)；比如之前百度高考，教考生填報志愿，就是這么弄的。

完成度（即前文提過的“用戶任務(wù)達成率”）：由于任務(wù)型最后總要去調(diào)一個接口或者觸發(fā)什么東西來完成任務(wù)，所以可以計算多少人進入了這個對話單元，其中有多少人最后調(diào)了接口。

相關(guān)的還有（每個任務(wù)）平均slot填入輪數(shù)或填充完整度。即完成一個任務(wù)，平均需要多少輪，平均填寫了百分之多少的槽位slot。

3）問答型

最終借助人工操作的比例；

重復(fù)問同樣問題的比例；

“沒答案”之類的比例。

整體來說，行業(yè)一般PR宣傳時，會更多的提CPS，其他指標看起來可能相對太瑣碎或不夠高大上。

但是，實際工作中，可能CPS更多是面向閑聊型對話系統(tǒng)；而其他的場景，可能更應(yīng)該從“效果”出發(fā)。比如，如果小孩子哭了，機器人能夠“哭聲安慰”，沒必要對話那么多輪次，反而應(yīng)該越少越好。

4. 語料自然度和人性化的程度

目前對于這類問題，一般是使用人工評估的方式進行。這里的語料，通常不是單個句子，而是分為單輪的問答對或多輪的一個session。

一般來講，評分范圍是1~5分：

1分或2分：完全答非所問，以及含有不友好內(nèi)容或不適合語音播報的特殊內(nèi)容；

3分：基本可用，問答邏輯正確；

4分：能解決用戶問題且足夠精煉；

5分：在4分基礎(chǔ)上，能讓人感受到情感及人設(shè)。

另外，為了消除主觀偏差，采用多人標注、去掉極端值的方式。

四、產(chǎn)品功能對比一覽

可以看出智能語音交互系統(tǒng)不僅僅局限于對智能家居設(shè)備的語言控制，不同廠家的語言交互產(chǎn)品都進行了大量的功能開發(fā)，包括但不限于生活管理服務(wù)、游戲、生活百科、增值服務(wù)。如

何挖掘出該場景下用戶的深度需求，抓住場景下用戶的痛點變成了各家廠商需要重點考慮的問題。

五、產(chǎn)品體驗細節(jié)對比

1. 功能體驗

根據(jù)影響用戶選擇語音助手線上調(diào)查問卷的結(jié)構(gòu)，語音識別準確度，操作便捷，輸入速度快，功能多樣，詞庫豐富等因素，對比分析部分產(chǎn)品體驗細節(jié)。

本報告針對語音交互系統(tǒng)中常用的業(yè)務(wù)場景進行了測試，通過對具體功能的體驗對比進一步了解。

基于上述功能體驗，訊飛語點在語音合成失真度和反應(yīng)時間上具有一定的優(yōu)勢，這主要得益于科大訊飛在語音技術(shù)上的技術(shù)積累。

小度在語音交互時，更加側(cè)重音樂搜索功能。在“劉德華的無間道”和黃梅戲的交互中，小度均直接跳轉(zhuǎn)進QQ語音界面。

在開放式聊天中，小度的體驗感較差。無法理解用戶意圖時，采用了相同的語音反饋使得用戶的使用欲望降低。小愛同學(xué)針對開發(fā)式問題，有著不同的反饋。

在知識百科場景下，小度體現(xiàn)出了較強的優(yōu)勢。該優(yōu)勢得益于百度在搜索引擎中的長期積累。

2. VUI體驗

（因機頂盒配置問題，無法體驗）

六、總結(jié)分析

智能語音交互系統(tǒng)依然存在著發(fā)展空間，競爭進入了白熱化階段。以本報告的三款產(chǎn)品為例，訊飛語點，小愛同學(xué)和小度分別擁有自身的發(fā)展優(yōu)勢。但值得一提的是，暫時未出現(xiàn)一款絕對領(lǐng)先的產(chǎn)品。各款產(chǎn)品都擁有自己優(yōu)勢和劣勢，特別地在某些特定的場景中體驗分化極大。

現(xiàn)階段，語音交互系統(tǒng)中語音識別環(huán)節(jié)暫無較大差距。盡管在地方性語言識別上科大訊飛擁有著較大優(yōu)勢，由于其使用場景較為單一且目標用戶數(shù)量有限，難以形成產(chǎn)品優(yōu)勢。

在NLP階段，由于各款產(chǎn)品技術(shù)背景的差異，使得其在不同場景下存在獨特的優(yōu)勢。例如：訊飛語點的方言識別，小愛的米家產(chǎn)品控制，小度的語音檢索。但在識別語音意圖時，與真實的對話依然才存在著較大差距。

搭載于大屏上的智能語音交互系統(tǒng)，由于其場景較為復(fù)雜，仍然需要一段時間進行發(fā)展和完善。

關(guān)于語音交互系統(tǒng)未來的猜想

智能語音交互系統(tǒng)在IOT和5G的技術(shù)的不斷發(fā)展和普及下，將會擁有越來越大的發(fā)揮空間和巨大的市場需求，智能語音交互系統(tǒng)也將會從閉環(huán)問答式的產(chǎn)品逐步走向開環(huán)交流式的智能產(chǎn)品。

作為一款智能產(chǎn)品，智能語音交互系統(tǒng)將逐漸實現(xiàn)情感化的功能，從一個智能系統(tǒng)到擁有情感需求的智能機器人?？梢韵胂蟮氖?，智能語音交互系統(tǒng)將會成為人工智能發(fā)展的一個重要體現(xiàn)，并在未來的生活中扮演著越來越重要的作用。