隨著移動互聯(lián)網(wǎng)和人工智能的發(fā)展，基于語音的交互已經(jīng)越來越重要、也越來越普及，從目前技術(shù)水平來看，在安靜環(huán)境、標準口音、常見詞匯上的語音識別率已經(jīng)超過95%，完全達到了可用狀態(tài)，由此也奠定了語音交互功能被廣泛應(yīng)用在包括智能手機、智能音箱、智能家電等等各種各樣設(shè)備中的技術(shù)基礎(chǔ)。

在線語音交互痛點：依賴網(wǎng)絡(luò)和延遲大

不過，目前語音交互技術(shù)的使用還是離不開網(wǎng)絡(luò)和云端。從技術(shù)層面上看，一個完整的智能語音交互閉環(huán)的系統(tǒng)，包括語音信號采集和預(yù)處理（降噪、回聲消除）、后端語音識別、自然語音處理（理解、決策、表述）、語音合成等各個模塊。其中語音識別到語音合成過程需要較大的數(shù)據(jù)量和計算量，往往會被放到云端去處理。

無論是現(xiàn)今市場火爆的智能音箱還是各大家電廠商推出的智能冰箱、智能電視，采用的是語音交互大多數(shù)都是上述這種在線語音交互方案，所以設(shè)備在使用前往往需要借助智能手機將智能音箱連接網(wǎng)絡(luò)。深圳市木瓜電子科技有限公司技術(shù)支持工程師邱松曉指出，在智能家居、智能硬件中使用語音交互，替代遙控器，可以解放用戶雙手，帶來很多便捷性，但是，目前使用在線語音交互功能還需要先解決一些現(xiàn)有存在的缺點。

“在線的語音交互依賴于云端去處理，設(shè)備的前端往往只做聲音的采集、回聲消除和噪聲抑制等處理后，就通過網(wǎng)絡(luò)送入云端做語音識別和處理，處理后的結(jié)果又在通過網(wǎng)絡(luò)返回回到設(shè)備中，這其中就有產(chǎn)生兩個問題：首先，一旦網(wǎng)絡(luò)出現(xiàn)問題，語音交互功能就很有可能癱瘓;其次，就算在網(wǎng)絡(luò)狀態(tài)好的情況下，設(shè)備的響應(yīng)速度還是不盡理想，舉例來說，前端語音處理約50ms，通過網(wǎng)絡(luò)需要約100ms，云端處理約500ms，還有延遲，再返回，加起來估計是1S到2S，特別是國內(nèi)的網(wǎng)絡(luò)不穩(wěn)定的情況下，有可能時間會更長。”

“此外，在線語音交互方案往往需要一個喚醒詞，在說出喚醒詞，等設(shè)備做出相應(yīng)的回應(yīng)后，才可以開始與智能設(shè)備對話，體驗不是很好。” ”邱松曉說到。邱松曉和其公司一直在從事語音交互技術(shù)方案的開發(fā)，也給客戶做過不少在線語音交互的方案，不過目前，他們也把不少精力放在一種更為簡化的離線語音方案上。此模塊方案可以實現(xiàn)單麥遠場語音拾取、語音喚醒、回聲消除、智能控制及語音播報等功能。

離線語音方案優(yōu)勢在于實時和成本

離線語音方案，顧名思義就是語音識別處理在本地，并不需要上傳到云端去處理。“以控制空調(diào)為例，我們先將‘請開空調(diào)’、‘調(diào)高一度’等命令詞經(jīng)過算法訓(xùn)練和模型匹配后固化在本地存儲中，當進行語音控制時不需要聯(lián)網(wǎng)，在本地存儲直接調(diào)用。”邱松曉說到，“相比在線方式，離線的方式確實有局限，這類方案更多屬于控制型的，不是交互型;而且由于本地的存儲空間有限，不像在線方案是通過云端處理，所以命令詞確實會比在線的少，一般命令詞條在幾十條左右。”

集成了離線語音模塊的設(shè)備可以通過語音來控制執(zhí)行一系列的操作指令，不過只是不能像智能音箱一般進行查詢天氣、新聞、講故事、對話等交互。在智能音箱等在線語音方案如此火爆的情況下，木瓜電子同時也選擇了做離線方案，除了考慮到前面提到的在線方案的不足外，其實更多是市場真正需求的使然。

一方面，包括亞馬遜、京東、阿里、騰訊等都推出了智能音箱，用智能音箱控制和連接家電，希望想通過此類產(chǎn)品搶占智能家居入口;另一方面，各大家電巨頭也紛紛布局自己的智慧家庭生態(tài)，加入語音交互、AI等功能。無論是何種方式，智能家居要落地可能還需要一段較長時間，因為這其中涉及到一整個云端平臺和生態(tài)的打造，由某一家公司掌控或打通可能還是比較難的。“這樣我們是否就不能享受像智能家居中語音控制家電的便利呢？，其實家庭中很多設(shè)備，包括空調(diào)、窗簾、燒水壺、晾衣架、臺燈等等，并不一定需要語音交互，我們只是需要去簡化他們的控制方式，例如用語音控制來替代遙控方式，賦予一款產(chǎn)品具備被語音控制的能力，從而更高效解決用戶需求。”邱松曉表示。

對于這些僅僅需要語音控制而不需要交互的設(shè)備，用離線的方案或許更為合適。首先，離線智能語音交互模塊由于沒有了網(wǎng)絡(luò)傳輸?shù)臅r間損耗，語音交互的實時性更高，據(jù)了解識別過程只需要200ms，命令發(fā)出馬上可以做出反應(yīng)，基本感覺不到延遲，用戶體驗好;其次因為無需配網(wǎng)，離線智能語音交互模塊具備用戶開機即用的屬性，無需教育用戶。同時不存在網(wǎng)絡(luò)異常的意外情況，使用友好度非常高。再者，成本更低，與在線方案十幾美金的成本相比，離線的方案只需幾美金;而且，離線方案的目標市場更多是單品，不涉及云端網(wǎng)絡(luò)或數(shù)據(jù)安全問題，產(chǎn)出會快很多。

通過不斷模型訓(xùn)練和測試，離線方案識別率可達95%

不過離線語音往往被認為是相對在線語音識別定位更為低端的應(yīng)用，但是在技術(shù)上做到“離線語音識別”其實并不簡單。“我們常常說‘臺上一分鐘，臺下十年功’，對離線識別來說，也正正是這樣。在將聲音送入到設(shè)備之前，同樣也需要做語音的遠場拾音、降噪、回聲消除等處理，將處理干凈的聲音就會和本地的模型進行匹配，如果匹配就執(zhí)行動作。整個過程看似簡單，但是在命令詞的模型建立也需要花費不少功夫。” 上海互問信息科技有限公司華南區(qū)銷售總監(jiān)孔令亞說到，“離線的方案需要給每一個命令詞建立一個匹配模型，每一個詞會錄入至少800個左右的樣本，樣本經(jīng)過不停的訓(xùn)練、模型匹配和測試，只有通過測試這個模型才定下來，放到內(nèi)存中。外界發(fā)出一條指令，就會和本地的模型進行匹配，如果匹配才能執(zhí)行動作。目前我們可以做到200多條命令詞，不過一般應(yīng)用場景在十幾天到幾十條就已經(jīng)足夠了。”

此外，離線方案在一些指令或詞條的識別率甚至可做到比在線的高，例如互問信息離線語音控制模塊在家居環(huán)境下達到了95%識別率、2次/天的誤觸發(fā)。孔令亞解釋道，因為從樣本和訓(xùn)練的數(shù)據(jù)量來看，建立模型的出發(fā)點就不一樣。離線的每一個詞條是專門花和時間去優(yōu)化。而在線的不會去這么做，中國的語言量這么豐富，方言這么多，這個工作量就非常大。例如‘請開門’這個指令/詞條，在線的方案不會專門去建立這樣的一個指令樣本和模型去進行訓(xùn)練匹配，因為工作量太大難以實現(xiàn)。。所以在線的語音識別是針對字或句，而不是詞條，如果說一個‘打’字，在線方案可能很快可以識別，但是如果說‘打開門’，語速快些或帶有情感，因為沒有這個詞條的大量樣本訓(xùn)練，很有可能就會誤判或識別慢。。

“為達到95%識別率、2次/天的誤觸發(fā)，我們要求每個語音命令詞都有800人左右的樣本，在聲音訓(xùn)練過程中，不斷調(diào)整命令詞的語音模型，這些訓(xùn)練樣本中也包含了多個地方性的普通話，如廣東地區(qū)、湖南地區(qū)、河南地區(qū)、北京地區(qū)等普通話。”他說到，“我們生成一個命令詞的時間需要6周左右的時間，前4周時間樣本采集和訓(xùn)練，后兩周時穩(wěn)定性測試。互問提供的語音命令詞，在國內(nèi)使用幾乎是沒有存在太多問題，95%的識別率也是目前比較高的參數(shù)了。”

離線方案潛在市場或?qū)㈤_啟，下半年將陸續(xù)出貨

“目前我們方案還沒有完全推開，可以看到大家近端時間關(guān)注點都集中在智能音箱上，其實離線也是一個潛在的市場，與智能音箱也不算是競爭關(guān)系，大家各有應(yīng)用場景。智能音箱去做交互都還可以理解，但是去控制一個家電的時候，這個過程還是比較復(fù)雜的，涉及到很多問題，生態(tài)問題，云平臺問題、安全問題。”邱松曉分析說，“像空調(diào)、燒水壺、臺燈、目前還沒有涉及到和家電深度交流，這是機器人需要去做的事情，沒有人會想和空調(diào)去聊天。未來如果把計算機的能力集成到家電中，你靠近了家電就能感知判斷出你想干什么，這是真正的智能的，但是目前還沒有人能做到這一塊，也沒什么人愿意去做，成本和用戶體驗都是一道坎。所以目前大家的訴求就是加個語音控制，多了一種控制的方式，成本也不會提高很多，但是卻解決需要到處找遙控器的痛點，對消費者來說，達到方便舒適的功能就可以，不會去追求超前技術(shù)。”

離線識別方案其實早就有出現(xiàn)，不過因為識別率等問題一直沒有鋪開。早在一兩年前還是85%左右的識別率，隨著技術(shù)的發(fā)展，目前離線語音在家居環(huán)境中可以達到了95%，而且可以做到5m距離的遠場拾音、高語音識別率，低誤觸發(fā)率讓這一方案進入家庭、開啟市場成為可能。

孔令亞指出，消費者的操作習(xí)慣、市場的需求和聲音技術(shù)的積累，都是決定離線語音控制產(chǎn)品的市場發(fā)展的因素。近些年聲音技術(shù)公司的涌出，聲音信號處理技術(shù)提升和聲音樣本的積累，實現(xiàn)了離線語音識別率的提高，也就提升了用戶體驗，使用說話的方式去控制設(shè)備，必然會得到消費者喜歡。國內(nèi)能夠提供商業(yè)性的離線語音控制方案的廠商僅幾家，并且前幾年這幾家公司都重點去投入在線語音識別和聲音相關(guān)的內(nèi)容服務(wù)。所以離線語音控制方式的市場打開進度也受到一定的限制。但是離線語音控制方案的市場近期必然會被打開，離線語音控制方案成本低、量產(chǎn)速度快，控制準確率高。離線語音控制方案以輕量級方式進入到各個產(chǎn)品中，而不會像在線語音識別那樣生態(tài)系統(tǒng)復(fù)雜。

從市場反饋上看，目前家電廠商對這種方案的接受程度還是比較理想的。據(jù)了解，現(xiàn)在市場存貨量已經(jīng)超過百萬級別，并且目前離線語音控制的聲控臺燈、晾衣架、燒水壺等已經(jīng)在量產(chǎn)出貨，在接下來的一年內(nèi)，消費者將在空調(diào)、抽煙機、風(fēng)扇、家居控制面板、按摩儀、故事機、空氣凈化器，熱暖器，熱水器等產(chǎn)品中都可以體驗到，互問信息的模塊都已經(jīng)切入到國內(nèi)這些產(chǎn)品生產(chǎn)商進行項目配合。

“我們的離線模塊也是去年才開始推出，在之前有儲備很多研究和設(shè)計。客戶拿到樣本測試到生產(chǎn)，可能需要半年到一年時間不等，所以還沒有那么快有典型的產(chǎn)品出來，預(yù)計今年下半年就有成品陸續(xù)出貨。接下來一年出貨量肯定不止1KK。”邱松曉對于市場前景信心滿滿。