智能音箱在2018年延續(xù)前兩年的熱潮，不過音箱本身并不能創(chuàng)造很大的經(jīng)濟(jì)價(jià)值，發(fā)展產(chǎn)業(yè)鏈才是未來勝出的重點(diǎn)，智能麥克風(fēng)與語音處理器是跨產(chǎn)品型態(tài)的關(guān)鍵零組件，利基型的應(yīng)用、中文自然語言處理與邊緣運(yùn)算是我們廠商值得關(guān)注的重點(diǎn)。

2014年電商龍頭亞馬遜(Amazon)推出智能音箱Echo之后，經(jīng)過幾年的經(jīng)營(yíng)，在2016、2017年大放異彩，引發(fā)一股智能音箱開發(fā)風(fēng)潮，也帶動(dòng)沉寂已久的智能家居商機(jī)，除了Amazon，包括Google、Microsoft、Apple、Samsung、Sony、Line，還有京東、聯(lián)想、阿里巴巴、小米等一線大廠都陸續(xù)推出智能音箱，不僅如此，更多二線品牌廠商也趕上這波熱潮，保守估計(jì)目前市場(chǎng)上應(yīng)該有數(shù)十款智能音箱品牌，布局并搶食智能語音應(yīng)用背后帶動(dòng)的龐大商機(jī)。智能音箱包括三大部分：硬件、軟件服務(wù)、系統(tǒng)平臺(tái)。工研院IEK產(chǎn)業(yè)分析師陳右怡說明，硬件規(guī)格大致包括開關(guān)、燈光、語音處理芯片、麥克風(fēng)數(shù)組、喇叭、電池、Wi-Fi/藍(lán)牙無線通信模塊、顯示面板等，其中語音處理器與麥克風(fēng)數(shù)組攸關(guān)語音輸入質(zhì)量，也是這波發(fā)展過程中較受矚目的關(guān)鍵零組件。而軟件服務(wù)則是智能音箱的靈魂--智能語音助理，搭配技能(Skills)，結(jié)合云端的系統(tǒng)平臺(tái)，形成一個(gè)完整的產(chǎn)業(yè)生態(tài)系，以帶動(dòng)后續(xù)的商業(yè)模式。

智能音箱投入者眾

根據(jù)市場(chǎng)研究機(jī)構(gòu)Strategy Analytics研究指出，2018年智能音箱出貨量接近4,000萬臺(tái)，2019年將挑戰(zhàn)6,000萬臺(tái)，2022年還要進(jìn)一步成長(zhǎng)至1億6,000萬臺(tái)左右，每年都是兩位數(shù)的成長(zhǎng)率。Samsung繼去年與Microsoft合作推出的Invoke智能音箱后，2018年8月發(fā)表自有產(chǎn)品Galaxy Home(圖1)，音箱里有六組擴(kuò)音喇叭及低音炮，用來提供環(huán)繞的播放音效；并內(nèi)建八組遠(yuǎn)場(chǎng)麥克風(fēng)，可在較大的范圍內(nèi)接收語音指令，語音助理就是自家的Bixby，不過發(fā)表會(huì)上擺滿的產(chǎn)品都跟Apple Homepod一樣不能運(yùn)作，正式上市時(shí)間要再等等。

圖1 Samsung 2018年8月發(fā)表搭載Bixby智能音箱Galaxy Home，并內(nèi)建八組遠(yuǎn)場(chǎng)麥克風(fēng)，可在較大的范圍內(nèi)接收語音指令

整體而言，智能音箱的發(fā)展，產(chǎn)品本身并不是最重要的，Amazon Echo最早就定位是中低價(jià)產(chǎn)品，99美元的售價(jià)到后來衍生的多種產(chǎn)品都不走高價(jià)路線，以其現(xiàn)階段市場(chǎng)領(lǐng)導(dǎo)者的身分，也發(fā)揮市場(chǎng)帶動(dòng)的效果，Amazon以電商的角色，不斷擴(kuò)展產(chǎn)業(yè)生態(tài)體系，并成為多數(shù)廠商仿效的對(duì)象。陳右怡表示，Amazon Echo串連了開發(fā)者社群、汽車服務(wù)業(yè)、智能裝置、日用品服務(wù)、共享/外送服務(wù)業(yè)、音樂串流服務(wù)業(yè)等。語音指令在搜尋上，顯然比現(xiàn)有的文字輸入便利，跟據(jù)市調(diào)機(jī)構(gòu)Gartner的研究，未來50%的各類搜尋，將會(huì)利用語音指令的方式呈現(xiàn)。

以可以執(zhí)行的技能而言，Alexa目前高達(dá)17,650項(xiàng)，Google Assistant僅有468項(xiàng)，Microsoft Cortana更只有174項(xiàng)。根據(jù)OC&C Strategy Consultants調(diào)查，擁有智能音箱的美國(guó)家庭中62%會(huì)使用智能音箱進(jìn)行語音購(gòu)物，2017年美國(guó)語音購(gòu)物市場(chǎng)規(guī)模約20億美元，預(yù)估2022年將達(dá)400億美元，5年內(nèi)翻20倍。由此可知，智能音箱擁有多少“技能”、能否帶動(dòng)商業(yè)模式的發(fā)展，才是其成功的關(guān)鍵，這些品牌大廠自然深知要努力將自己的商業(yè)模式，轉(zhuǎn)換延伸到語音應(yīng)用，并能提供更新、更多的價(jià)值才是發(fā)展重點(diǎn)。經(jīng)過這幾年的發(fā)展，智能音箱已經(jīng)出現(xiàn)更為細(xì)致的分眾區(qū)隔之路，鑫創(chuàng)科技產(chǎn)品經(jīng)理曾建統(tǒng)(圖2)認(rèn)為，通用型的智能音箱主要目的就在扮演智能家居控制中樞，除了豐富的技能之外，更需要完整的系統(tǒng)平臺(tái)與產(chǎn)業(yè)生態(tài)系加以配合，帶動(dòng)商業(yè)模式的發(fā)展，這部分只有資源豐富的大廠具備參賽權(quán)。另外，在區(qū)域市場(chǎng)與應(yīng)用上，也發(fā)展出許多功能較為單純，但滿足特殊需求的智能音箱，如廚房針對(duì)做菜、車上影音娛樂/唱歌需求的產(chǎn)品，適合中小型廠商切入。

智能麥克風(fēng)設(shè)計(jì)眉角多

近來有部分人士指出，智能音箱是過渡型的產(chǎn)品，就像電子書閱讀器一樣曇花一現(xiàn)，不過就實(shí)際的發(fā)展來看，智能音箱目前呈現(xiàn)百花齊放的狀況，未來不管產(chǎn)品是否持續(xù)發(fā)展，語音識(shí)別成為重要的人機(jī)接口已是不爭(zhēng)的事實(shí)，因此不管終端產(chǎn)品型態(tài)是甚么，絕對(duì)都少不了智能麥克風(fēng)與語音處理器，這兩個(gè)組件的技術(shù)與發(fā)展就值得更加深入的觀察。一般而言，MEMS麥克風(fēng)由背板(Back Plate)、氮化硅薄膜(Membrane)、1微米寬的空氣隙(Air Gap)組成，其中薄膜要求低應(yīng)力且柔軟，能夠靈敏地感測(cè)環(huán)境音壓的改變。現(xiàn)行的MEMS麥克風(fēng)技術(shù)均采用聲波致動(dòng)薄膜和靜態(tài)背板，英飛凌(Infineon)提出一個(gè)較復(fù)雜的雙背板架構(gòu)，在兩個(gè)背板之間嵌入薄膜，也有兩個(gè)空氣隙，因此能產(chǎn)生更好的訊號(hào)質(zhì)量，訊噪比(SNR)達(dá)70dB，進(jìn)一步獲得更佳的高頻抗擾性，實(shí)現(xiàn)更出色的音頻訊號(hào)處理，并將10%總諧波失真(THD)的聲學(xué)過載點(diǎn)提升到135dB聲壓位準(zhǔn)(SPL)。智能麥克風(fēng)除了采用模擬微機(jī)電的制程之外，還有采用數(shù)字CMOS制程的麥克風(fēng)，不管是采用MEMS或是CMOS都是利用半導(dǎo)體制程產(chǎn)生震膜以搜集聲壓，曾建統(tǒng)說明，除了傳統(tǒng)的單背板/單薄膜之外，雙背板/單薄膜、單背板/雙薄膜等改良型的架構(gòu)都有廠商提出，目的全是為了強(qiáng)化收音效率的訊噪比。而在系統(tǒng)的設(shè)計(jì)上，Amazon Echo帶動(dòng)的多顆麥克風(fēng)數(shù)組設(shè)計(jì)已成風(fēng)潮，但效果還是有很大的差異性。曾建統(tǒng)提醒，智能語音助理硬件的設(shè)計(jì)，尤其是麥克風(fēng)數(shù)組，并不是硬件照抄就好，在設(shè)計(jì)時(shí)間要針對(duì)機(jī)構(gòu)與收音麥克風(fēng)進(jìn)行數(shù)組算法的調(diào)適，同時(shí)生產(chǎn)階段也必須提高機(jī)構(gòu)精準(zhǔn)度的要求，這兩個(gè)重點(diǎn)對(duì)語音助理裝置最終量產(chǎn)結(jié)果有很大的影響。就像通用型的Echo使用場(chǎng)景大部分是在客廳，類似的麥克風(fēng)數(shù)組設(shè)計(jì)套用到車用產(chǎn)品就不會(huì)得到最佳收音質(zhì)量；而機(jī)構(gòu)生產(chǎn)與組裝若不夠精準(zhǔn)，會(huì)持續(xù)削弱麥克風(fēng)的訊噪比，原本70dB的產(chǎn)品可能于終端產(chǎn)品僅表現(xiàn)出35dB的效能。

關(guān)鍵組件整合設(shè)計(jì) 取得效能表現(xiàn)優(yōu)化

而在語音處理器部分，最主要是處理聲音的數(shù)字化與去除噪聲的訊號(hào)純化，由于智能語音助理的工作是透過AI算法，將輸入的語音訊號(hào)進(jìn)行語音識(shí)別與自然語言處理，擔(dān)負(fù)重要的人機(jī)接口工作，也是用戶經(jīng)驗(yàn)優(yōu)劣的關(guān)鍵，因此語音處理器的幾個(gè)主要功能包括噪音抑制(Noise Suppression)、回音消除(Echo Cancellation)、語音識(shí)別(Voice Recognition Assistance)、遠(yuǎn)距收音(Far-field Pickup)、清晰語音溝通(Clear Voice Communication)等就顯得非常重要。語音處理器技術(shù)發(fā)展已有滿長(zhǎng)的一段時(shí)間，其實(shí)技術(shù)已經(jīng)相當(dāng)成熟，不過由于智能音箱將語音變成最主要的人機(jī)接口，聲音整體處理效能要求比過去更高，對(duì)噪音抑制的壓噪技術(shù)而言，環(huán)境聲音如車輛、旁邊人的說話聲音都算是一種噪音，如何找出正確的噪音來源，并保留最大的原音是這部分的挑戰(zhàn)。一般噪音分成穩(wěn)態(tài)與非穩(wěn)態(tài)噪音，機(jī)器運(yùn)作固定頻率的聲音是穩(wěn)態(tài)噪音，比較容易消除；非穩(wěn)態(tài)噪音就是非預(yù)期出現(xiàn)的聲音如旁人說話的聲音，也比較難消除。Samsung甫發(fā)表的Galaxy Home，為了收音效果特別采用八顆遠(yuǎn)場(chǎng)麥克風(fēng)，遠(yuǎn)距收音的功能就是較遠(yuǎn)的距離之下一樣能收到清晰的聲音，做法就是首先偵測(cè)人聲，并放大人聲，但不放大噪音。曾建統(tǒng)認(rèn)為，若要提升收音效能的表現(xiàn)，麥克風(fēng)與語音處理器整合性設(shè)計(jì)非常重要，除了遠(yuǎn)場(chǎng)麥克風(fēng)、擴(kuò)大MEMS麥克風(fēng)芯片尺寸、采用整合模擬數(shù)字轉(zhuǎn)換器(Analog-to-digital Converter, ADC)的數(shù)字麥克風(fēng)(Digital Mic)等做法都有，甚么設(shè)計(jì)才能在效能與成本上取得最佳表現(xiàn)，目前其實(shí)沒有標(biāo)準(zhǔn)答案，建議還是回歸到產(chǎn)品需求，并進(jìn)行深入的軟件仿真與效能測(cè)試，才有機(jī)會(huì)開發(fā)出令市場(chǎng)驚艷的產(chǎn)品。

智能音箱的使用近期也因?yàn)榫W(wǎng)絡(luò)的便利性與不設(shè)防，產(chǎn)生多起網(wǎng)絡(luò)安全事件，所以語音處理器的安全機(jī)制逐漸被重視，恩智浦半導(dǎo)體大中華區(qū)微處理器及微控制器產(chǎn)品營(yíng)銷經(jīng)理張小平(圖3)表示，保護(hù)隱私信息不輕易被入侵，需要內(nèi)建安全裝置的解決方案，除了保護(hù)用戶信息，透過整合的SDK實(shí)現(xiàn)算法加速，滿足語音、影音和音頻的需求，可整合A/V與機(jī)器學(xué)習(xí)，滿足工程師對(duì)于統(tǒng)一平臺(tái)的要求，便于打造語音指令控制的聯(lián)網(wǎng)產(chǎn)品。恩智浦i.MX8M系列應(yīng)用處理器，兼具處理技術(shù)和邊緣運(yùn)算能力，能夠有效管理并縮短智能互聯(lián)裝置響應(yīng)命令和詢問的時(shí)間。張小平指出，該系列產(chǎn)品可用于智能電視、電視訂閱服務(wù)、條形音箱與其他智能音箱，以及媒體播放器和DVR/PVR。此外，該系列處理器也適合管理照明、恒溫器、門鎖、居家安全、智能灑水器等各類系統(tǒng)與設(shè)備，能夠讓使用者享受直覺簡(jiǎn)單、迅速響應(yīng)的智能家居體驗(yàn)。如：僅需發(fā)出語音指令即可播放特定的電視劇集，如果對(duì)其中的演員感興趣，直接口頭詢問相關(guān)問題，屏幕上就會(huì)進(jìn)行搜索并顯示結(jié)果，整個(gè)過程都不會(huì)影響電視劇情的播放等。

語音助理為智能音箱靈魂

在基礎(chǔ)的硬件之外，具備AI功能的智能語音助理顯然是智能音箱產(chǎn)業(yè)鏈能否順利發(fā)展的關(guān)鍵，Alexa的跨平臺(tái)支持與技能多樣性，目前遙遙領(lǐng)先Google Assistant與Microsoft Cortana，陳右怡表示，智能語音助理的生態(tài)系發(fā)展難度更高，核心的技術(shù)包括AI深度學(xué)習(xí)算法、情境感知、自動(dòng)化控制、大數(shù)據(jù)分析應(yīng)用、云端存取等；發(fā)展策略上，可透過開放式AI API發(fā)展第三方開發(fā)，擴(kuò)展語音助理的技能，也透過定價(jià)/收費(fèi)/分潤(rùn)機(jī)制讓生態(tài)系更成熟；最后就是不斷強(qiáng)大生態(tài)系的規(guī)模與服務(wù)的多樣性與便利性，就像當(dāng)年的App Store一樣。而語音助理的服務(wù)包羅萬象，所謂“萬能”的智能語音助理應(yīng)該不存在，以目前四大語音助理來看，Google專長(zhǎng)在搜尋、Siri專長(zhǎng)在音樂、Alexa專長(zhǎng)在購(gòu)物、Cortana則是專精于商務(wù)，廠商的產(chǎn)業(yè)鏈發(fā)展也有所側(cè)重，陳右怡相信，過幾年不同領(lǐng)域的語音助理霸主將越來越明確。而語言與在地化的經(jīng)營(yíng)則是另一個(gè)重點(diǎn)，目前英語系的語音識(shí)別與自然語言處理技術(shù)上已經(jīng)頗有突破，發(fā)展較為迅速；相較之下，中文的自然語言處理則有相當(dāng)大的瓶頸，也是我們廠商可以深入發(fā)展并保有優(yōu)勢(shì)的地方。

掌握特殊應(yīng)用與邊緣運(yùn)算趨勢(shì)

從硬件終端產(chǎn)品來看，大廠會(huì)投入更多資源發(fā)展通用型的智能音箱，產(chǎn)品型態(tài)也將更加多樣，整合于智能手機(jī)、筆電、各式家電等的狀況會(huì)更加普遍。我們廠商在軟硬件的發(fā)展上，應(yīng)該投入利基型的硬件產(chǎn)品與服務(wù)，曾建統(tǒng)建議，特殊應(yīng)用的智能音箱結(jié)合在地化語音技術(shù)發(fā)展，是我們廠商的機(jī)會(huì)。中文AI化的困難性為廠商帶來藍(lán)海的商機(jī)，只要深入累積語言分析與在地化語料，就可以建立競(jìng)爭(zhēng)門坎，搭配我們?cè)染途邆渖詈窕A(chǔ)的硬件技術(shù)能力，可以在智能音箱市場(chǎng)走出一條自己的路。人機(jī)接口發(fā)展到語音是一大進(jìn)步，不過未來視覺、觸覺與念力都是下一波發(fā)展的方向，現(xiàn)在的語音AI技術(shù)也有布局未來人機(jī)接口的味道。以AI為核心的這些應(yīng)用，開發(fā)的范圍與需求的資源都較過去更大，訴求利基市場(chǎng)也不見得是單一廠商就能負(fù)擔(dān)所有技術(shù)開發(fā)，需要與更多產(chǎn)業(yè)鏈上下游的廠商合作；智能音箱也是典型的邊緣運(yùn)算裝置，未來會(huì)將更多AI功能轉(zhuǎn)移到終端裝置，直接在邊緣進(jìn)行處理，對(duì)于云端架構(gòu)規(guī)模不如國(guó)外大廠的廠而言，采用較小的云端架構(gòu)，并透過終端處理部分AI運(yùn)算，更適合我們廠商發(fā)展。