關(guān)于遠(yuǎn)場語音交互，聲智科技 CEO 陳孝良告訴雷鋒網(wǎng)：“語音是最簡單、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，特別是語音交互從近場走向遠(yuǎn)場落地到真實(shí)場景，必須考慮噪聲、混響、回聲等聲學(xué)問題，以及數(shù)據(jù)差異引入的機(jī)器學(xué)習(xí)模型問題，這些都是保證自由人機(jī)交互的核心技術(shù)?！?/p>

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)場語音交互的核心技術(shù)，還對商業(yè)化落地的路徑進(jìn)行了深入的解讀，無論是語音交互的技術(shù)人員，還是產(chǎn)品經(jīng)理，都值得一讀。

手機(jī)之后國外各大巨頭非常罕見的步調(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)力來自于Amazon Echo，但有意思的事情是Amazon Echo這產(chǎn)品根本沒做任何的功能上的創(chuàng)新，聽歌、看新聞、設(shè)鬧鐘、說笑話、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音交互的方式從近場升級為遠(yuǎn)場，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)無比巨大的行業(yè)，那遠(yuǎn)場語音交互為什么有這么大的威力？

語音交互等價(jià)于遠(yuǎn)場語音交互

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

在微信里給一個(gè)人打視頻電話，如果用手機(jī)那是下面這樣的過程

如果變成遠(yuǎn)場語音，那核心步驟會(huì)變成兩個(gè)

顯然在這兩種場景下便利程度是完全不一樣的，這種便利理論上講在近場的情形下同樣存在，但核心點(diǎn)在于近場時(shí)就需要挑戰(zhàn)用戶根深蒂固的觸屏習(xí)慣，這很難。觸屏雖然大流行，但顯然并沒能在筆記本上挑戰(zhàn)鍵盤鼠標(biāo)的既有地位。這不單是偏好問題，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，所以如果Office根深蒂固，那么鍵盤鼠標(biāo)就根深蒂固。所以我們說，語音交互基本等價(jià)于遠(yuǎn)場語音交互，一旦它真的成為主流交互方式，培養(yǎng)了用戶習(xí)慣，那反過來才可能在近場的場景（比如近場的Siri）下占有一席之地。

遠(yuǎn)場語音交互的核心技術(shù)

遠(yuǎn)場語音交互如果變的無處不在，那Amazon Alexa（以及同類產(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，那么基本上是三層：

前端的聲學(xué)部分（算法+陣列）

識別

NLU

這樣一來遠(yuǎn)場語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題，即在語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），一旦擬人用戶的潛在期望就會(huì)無限拔高，你也就不可能做出非常滿足用戶體驗(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)是通過獲取的數(shù)據(jù)重新訓(xùn)練云端的ASR

這個(gè)過程可以用下圖橙色的部分來概括。

上述這個(gè)看著并不太長的鏈條其實(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差異極大，如：

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

而我們經(jīng)常說的麥克風(fēng)陣列即使拋開算法不論，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性、L型、球形，最終的目的都是匹配特定的場景，讓最終遠(yuǎn)場交互的精度最優(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，那就沒法給用戶輸出一種綜合性的體驗(yàn)，單點(diǎn)最優(yōu)在遠(yuǎn)場語音交互這里價(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)場語音交互背后的價(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)蘋果也會(huì)宣布自己的相似產(chǎn)品。但是遠(yuǎn)場語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；而反過來產(chǎn)品沒銷量技術(shù)就缺乏打磨的場景，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。這樣一來整個(gè)遠(yuǎn)場語音交互很可能會(huì)跑下面的曲線：

這個(gè)過程是可以和過去很多商業(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)市場啟動(dòng)后則進(jìn)入一個(gè)高速增長期，小米手機(jī)的銷量迅速從2012的700多萬臺(tái)增加到2014年的6000多萬臺(tái)。

遠(yuǎn)場語音交互的這個(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）如果2017年的銷量真的逼近2000萬臺(tái)，那基本上可以認(rèn)為在美國，技術(shù)-商業(yè)的正反饋第一回合完成。而在國內(nèi)，同品類產(chǎn)品銷量都還處在幾萬、十幾萬量級的水平，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，在格局已定的市場上，后來者是沒有機(jī)會(huì)的；只有在這種充滿未知的領(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、門戶相對于現(xiàn)在的BAT都是巨無霸型公司，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)場語音交互估計(jì)會(huì)塑造出許多和機(jī)器說話的人。那時(shí)候語言不再只是人和人的交互手段。