關(guān)于遠(yuǎn)場(chǎng)語(yǔ)音交互，聲智科技 CEO 陳孝良告訴雷鋒網(wǎng)：“語(yǔ)音是最簡(jiǎn)單、最自然的人機(jī)交互方式，同時(shí)也是技術(shù)難度最大的交互方式，特別是語(yǔ)音交互從近場(chǎng)走向遠(yuǎn)場(chǎng)落地到真實(shí)場(chǎng)景，必須考慮噪聲、混響、回聲等聲學(xué)問(wèn)題，以及數(shù)據(jù)差異引入的機(jī)器學(xué)習(xí)模型問(wèn)題，這些都是保證自由人機(jī)交互的核心技術(shù)。”

但是網(wǎng)絡(luò)上橫跨聲學(xué)和計(jì)算機(jī)學(xué)科的教育資源太少，李智勇老師的這篇文章不僅揭示了遠(yuǎn)場(chǎng)語(yǔ)音交互的核心技術(shù)，還對(duì)商業(yè)化落地的路徑進(jìn)行了深入的解讀，無(wú)論是語(yǔ)音交互的技術(shù)人員，還是產(chǎn)品經(jīng)理，都值得一讀。

手機(jī)之后國(guó)外各大巨頭非常罕見(jiàn)的步調(diào)一致的在做同一件事情：智能音箱。而這一切最初的驅(qū)動(dòng)力來(lái)自于Amazon Echo，但有意思的事情是Amazon Echo這產(chǎn)品根本沒(méi)做任何的功能上的創(chuàng)新，聽(tīng)歌、看新聞、設(shè)鬧鐘、說(shuō)笑話(huà)、控制家電等所有東西都可以在手機(jī)上找到替代品，它唯一的變化只是把語(yǔ)音交互的方式從近場(chǎng)升級(jí)為遠(yuǎn)場(chǎng)，并把精度和速度打磨到非常優(yōu)秀的程度。只是這么一點(diǎn)點(diǎn)變化，似乎就要?jiǎng)?chuàng)造一個(gè)無(wú)比巨大的行業(yè)，那遠(yuǎn)場(chǎng)語(yǔ)音交互為什么有這么大的威力？

語(yǔ)音交互等價(jià)于遠(yuǎn)場(chǎng)語(yǔ)音交互

極端的講法是世界上并不存在一種方式叫近場(chǎng)語(yǔ)音交互，語(yǔ)音交互基本等價(jià)于遠(yuǎn)場(chǎng)語(yǔ)音交互。事實(shí)證明過(guò)去很多年里各種近場(chǎng)語(yǔ)音交互的嘗試（比如Siri）并沒(méi)獲得很好的進(jìn)展，甚至簡(jiǎn)單實(shí)用的語(yǔ)音輸入法也沒(méi)能成為主流。從應(yīng)用場(chǎng)景來(lái)看遠(yuǎn)場(chǎng)和近場(chǎng)的核心差別是拉開(kāi)和語(yǔ)音設(shè)備的距離后，雙手再也沒(méi)用了。這樣和觸屏就可以徹底的差異化，可以徹底的發(fā)揮語(yǔ)音的快捷優(yōu)勢(shì)。想象下面的場(chǎng)景：

在微信里給一個(gè)人打視頻電話(huà)，如果用手機(jī)那是下面這樣的過(guò)程

如果變成遠(yuǎn)場(chǎng)語(yǔ)音，那核心步驟會(huì)變成兩個(gè)

顯然在這兩種場(chǎng)景下便利程度是完全不一樣的，這種便利理論上講在近場(chǎng)的情形下同樣存在，但核心點(diǎn)在于近場(chǎng)時(shí)就需要挑戰(zhàn)用戶(hù)根深蒂固的觸屏習(xí)慣，這很難。觸屏雖然大流行，但顯然并沒(méi)能在筆記本上挑戰(zhàn)鍵盤(pán)鼠標(biāo)的既有地位。這不單是偏好問(wèn)題，也與各種應(yīng)用與特定交互方式的綁定有關(guān)。觸屏雖然好用，但并不能完全在Office上用起來(lái)，所以如果Office根深蒂固，那么鍵盤(pán)鼠標(biāo)就根深蒂固。所以我們說(shuō)，語(yǔ)音交互基本等價(jià)于遠(yuǎn)場(chǎng)語(yǔ)音交互，一旦它真的成為主流交互方式，培養(yǎng)了用戶(hù)習(xí)慣，那反過(guò)來(lái)才可能在近場(chǎng)的場(chǎng)景（比如近場(chǎng)的Siri）下占有一席之地。

遠(yuǎn)場(chǎng)語(yǔ)音交互的核心技術(shù)

遠(yuǎn)場(chǎng)語(yǔ)音交互如果變的無(wú)處不在，那Amazon Alexa（以及同類(lèi)產(chǎn)品）會(huì)變成新一代的Android，那個(gè)時(shí)候整個(gè)生態(tài)會(huì)像下面這樣：

這個(gè)時(shí)候Alexa這樣的系統(tǒng)同時(shí)覆蓋了傳統(tǒng)上Android和應(yīng)用商店的角色，在其上面則會(huì)有新的今日頭條、新的O2O等。而如果要把Alexa所依托的技術(shù)進(jìn)行細(xì)分的話(huà)，那么基本上是三層：

前端的聲學(xué)部分（算法+陣列）

識(shí)別

NLU

這樣一來(lái)遠(yuǎn)場(chǎng)語(yǔ)音交互就正好面臨一大一小兩個(gè)瓶頸：

第一個(gè)瓶頸是眼下就要解決的問(wèn)題，即在語(yǔ)義仍然有限制的條件下，打造偏命令控制的產(chǎn)品，這個(gè)時(shí)候產(chǎn)品的ID很難擬人化（想想Echo，Airpods這些產(chǎn)品），一旦擬人用戶(hù)的潛在期望就會(huì)無(wú)限拔高，你也就不可能做出非常滿(mǎn)足用戶(hù)體驗(yàn)的產(chǎn)品。

第二個(gè)瓶頸則具有一定的不確定性，具有探索性質(zhì)，我們?nèi)匀贿€不知道什么時(shí)候自然語(yǔ)言理解中可以體現(xiàn)出真的智能，但確實(shí)只有這點(diǎn)做了突破，并且同計(jì)算機(jī)視覺(jué)進(jìn)行融合才能真的做好擬人的機(jī)器人。

而為了解決第一個(gè)瓶頸事實(shí)上需要做好的事情有兩個(gè)：

一個(gè)是前端聲學(xué)算法軟硬件的持續(xù)優(yōu)化

一個(gè)是通過(guò)獲取的數(shù)據(jù)重新訓(xùn)練云端的ASR

這個(gè)過(guò)程可以用下圖橙色的部分來(lái)概括。

上述這個(gè)看著并不太長(zhǎng)的鏈條其實(shí)復(fù)雜度非常高，它即跨越不同的學(xué)科（聲學(xué)部分屬于經(jīng)典物理，識(shí)別部分則屬于CS），也需要打穿軟硬件。

在算法層面只是前端就需要處理大量經(jīng)典問(wèn)題，比如降噪、去混響、回聲抵消、Beamforming等。加不加這些算法的音頻信號(hào)差異極大，如：

（具體效果試聽(tīng)可以參照http://soundai.com/demo.html）

而我們經(jīng)常說(shuō)的麥克風(fēng)陣列即使拋開(kāi)算法不論，單只在硬件層次上也遠(yuǎn)不是標(biāo)準(zhǔn)品：

上圖是一款強(qiáng)調(diào)通用性的麥克風(fēng)陣列，通過(guò)USB連接可以隨便連接到筆記本、PAD、手機(jī)上進(jìn)行使用。同樣的陣列還可以做成線(xiàn)性、L型、球形，最終的目的都是匹配特定的場(chǎng)景，讓最終遠(yuǎn)場(chǎng)交互的精度最優(yōu)。

如果進(jìn)一步下探，那就會(huì)出現(xiàn)更為底層的選擇，比如是用駐極體麥克風(fēng)還是用MEMS的，是用數(shù)字的還是用模擬的。

再進(jìn)一步挖掘，麥克風(fēng)從特性上還可以進(jìn)一步細(xì)分，比如：

所有上面這些點(diǎn)如果不能一一理順，那就沒(méi)法給用戶(hù)輸出一種綜合性的體驗(yàn)，單點(diǎn)最優(yōu)在遠(yuǎn)場(chǎng)語(yǔ)音交互這里價(jià)值很小，相當(dāng)于必要不充分條件。只有能夠綜合，并且能夠優(yōu)化單點(diǎn)才真的能夠解決當(dāng)前產(chǎn)品落地中的實(shí)際問(wèn)題。

技術(shù)和商業(yè)上的正反饋

幾乎所有大公司都感受到了遠(yuǎn)場(chǎng)語(yǔ)音交互背后的價(jià)值，所以紛紛試水：繼亞馬遜、Google之后，微軟宣布了自己的智能音箱產(chǎn)品，預(yù)計(jì)蘋(píng)果也會(huì)宣布自己的相似產(chǎn)品。但是遠(yuǎn)場(chǎng)語(yǔ)音交互的落地卻可能比大家期望的要慢。核心點(diǎn)就在于技術(shù)-商業(yè)上的正反饋需要一定的啟動(dòng)周期。顯然的技術(shù)不好用，產(chǎn)品體驗(yàn)就不好；而反過(guò)來(lái)產(chǎn)品沒(méi)銷(xiāo)量技術(shù)就缺乏打磨的場(chǎng)景，內(nèi)容配套也就不會(huì)跟上。這種互鎖狀態(tài)就會(huì)形成一個(gè)冷啟動(dòng)周期，在這個(gè)周期里做技術(shù)的公司打磨自己的技術(shù)，在沒(méi)那么大量的產(chǎn)品上落地，產(chǎn)品公司則接受技術(shù)現(xiàn)實(shí)，打磨自己的產(chǎn)品。這樣一來(lái)整個(gè)遠(yuǎn)場(chǎng)語(yǔ)音交互很可能會(huì)跑下面的曲線(xiàn)：

這個(gè)過(guò)程是可以和過(guò)去很多商業(yè)現(xiàn)實(shí)驗(yàn)證的，比如2007年iPhone發(fā)布，小米手機(jī)則要遲到2011年，這期間的4年可以看成是智能手機(jī)的啟動(dòng)期，一旦這個(gè)市場(chǎng)啟動(dòng)后則進(jìn)入一個(gè)高速增長(zhǎng)期，小米手機(jī)的銷(xiāo)量迅速?gòu)?012的700多萬(wàn)臺(tái)增加到2014年的6000多萬(wàn)臺(tái)。

遠(yuǎn)場(chǎng)語(yǔ)音交互的這個(gè)技術(shù)-商業(yè)正反饋當(dāng)前還處在非常初期的階段，亞馬遜的Echo（各種型號(hào)）如果2017年的銷(xiāo)量真的逼近2000萬(wàn)臺(tái)，那基本上可以認(rèn)為在美國(guó)，技術(shù)-商業(yè)的正反饋第一回合完成。而在國(guó)內(nèi)，同品類(lèi)產(chǎn)品銷(xiāo)量都還處在幾萬(wàn)、十幾萬(wàn)量級(jí)的水平，這個(gè)技術(shù)-商業(yè)的正反饋遠(yuǎn)未完成。

當(dāng)然這并非壞事，在格局已定的市場(chǎng)上，后來(lái)者是沒(méi)有機(jī)會(huì)的；只有在這種充滿(mǎn)未知的領(lǐng)域上，創(chuàng)業(yè)者才真的有顛覆性的機(jī)會(huì)。如果回退到20年前，聯(lián)想、門(mén)戶(hù)相對(duì)于現(xiàn)在的BAT都是巨無(wú)霸型公司，要資源有資源，要渠道有渠道，要人有人但很有意思的事情是BAT最終崛起了。

小結(jié)

手機(jī)的觸屏把很多人塑造成了低頭族，遠(yuǎn)場(chǎng)語(yǔ)音交互估計(jì)會(huì)塑造出許多和機(jī)器說(shuō)話(huà)的人。那時(shí)候語(yǔ)言不再只是人和人的交互手段。