亞馬遜 Echo大獲成功，遠場語音交互技術在其中究竟扮演了什麼角色？ | 深度

雷鋒網按：本文作者李智勇，十年棧道程序員，有一個好玩的公號：zuomoshi（琢磨事）。本文為雷鋒網首發文章。

關於遠場語音交互，聲智科技 CEO 陳孝良告訴雷鋒網：「語音是最簡單、最自然的人機交互方式，同時也是技術難度最大的交互方式，特別是語音交互從近場走向遠場落地到真實場景，必須考慮雜訊、混響、回聲等聲學問題，以及數據差異引入的機器學習模型問題，這些都是保證自由人機交互的核心技術。」

但是網路上橫跨聲學和計算機學科的教育資源太少，李智勇老師的這篇文章不僅揭示了遠場語音交互的核心技術，還對商業化落地的路徑進行了深入的解讀，無論是語音交互的技術人員，還是產品經理，都值得一讀。

手機之後國外各大巨頭非常罕見的步調一致的在做同一件事情：智能音箱。而這一切最初的驅動力來自於Amazon Echo，但有意思的事情是Amazon Echo這產品根本沒做任何的功能上的創新，聽歌、看新聞、設鬧鐘、說笑話、控制家電等所有東西都可以在手機上找到替代品，它唯一的變化只是把語音交互的方式從近場升級為遠場，並把精度和速度打磨到非常優秀的程度。只是這麼一點點變化，似乎就要創造一個無比巨大的行業，那遠場語音交互為什麼有這麼大的威力？

極端的講法是世界上並不存在一種方式叫近場語音交互，語音交互基本等價於遠場語音交互。事實證明過去很多年裡各種近場語音交互的嘗試（比如Siri）並沒獲得很好的進展，甚至簡單實用的語音輸入法也沒能成為主流。從應用場景來看遠場和近場的核心差別是拉開和語音設備的距離後，雙手再也沒用了。這樣和觸屏就可以徹底的差異化，可以徹底的發揮語音的快捷優勢。想像下面的場景：

在微信里給一個人打視頻電話，如果用手機那是下面這樣的過程

如果變成遠場語音，那核心步驟會變成兩個

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，但核心點在於近場時就需要挑戰用戶根深蒂固的觸屏習慣，這很難。觸屏雖然大流行，但顯然並沒能在筆記本上挑戰鍵盤滑鼠的既有地位。這不單是偏好問題，也與各種應用與特定交互方式的綁定有關。觸屏雖然好用，但並不能完全在Office上用起來，所以如果Office根深蒂固，那麼鍵盤滑鼠就根深蒂固。所以我們說，語音交互基本等價於遠場語音交互，一旦它真的成為主流交互方式，培養了用戶習慣，那反過來才可能在近場的場景（比如近場的Siri）下佔有一席之地。

遠場語音交互如果變的無處不在，那Amazon Alexa（以及同類產品）會變成新一代的Android，那個時候整個生態會像下面這樣：

這個時候Alexa這樣的系統同時覆蓋了傳統上Android和應用商店的角色，在其上面則會有新的今日頭條、新的O2O等。而如果要把Alexa所依託的技術進行細分的話，那麼基本上是三層：

• 前端的聲學部分（演算法+陣列）

• 識別

• NLU

這樣一來遠場語音交互就正好面臨一大一小兩個瓶頸：

• 第一個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品，這個時候產品的ID很難擬人化（想想Echo，Airpods這些產品），一旦擬人用戶的潛在期望就會無限拔高，你也就不可能做出非常滿足用戶體驗的產品。

• 第二個瓶頸則具有一定的不確定性，具有探索性質，我們仍然還不知道什麼時候自然語言理解中可以體現出真的智能，但確實只有這點做了突破，並且同計算機視覺進行融合才能真的做好擬人的機器人。

而為了解決第一個瓶頸事實上需要做好的事情有兩個：

• 一個是前端聲學演算法軟硬體的持續優化

• 一個是通過獲取的數據重新訓練雲端的ASR

這個過程可以用下圖橙色的部分來概括。

上述這個看著並不太長的鏈條其實複雜度非常高，它即跨越不同的學科（聲學部分屬於經典物理，識別部分則屬於CS），也需要打穿軟硬體。

在演算法層面只是前端就需要處理大量經典問題，比如降噪、去混響、回聲抵消、Beamforming等。加不加這些演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）

而我們經常說的麥克風陣列即使拋開演算法不論，單只在硬體層次上也遠不是標準品：

上圖是一款強調通用性的麥克風陣列，通過USB連接可以隨便連接到筆記本、PAD、手機上進行使用。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，讓最終遠場交互的精度最優。

如果進一步下探，那就會出現更為底層的選擇，比如是用駐極體麥克風還是用MEMS的，是用數字的還是用模擬的。

再進一步挖掘，麥克風從特性上還可以進一步細分，比如：

所有上面這些點如果不能一一理順，那就沒法給用戶輸出一種綜合性的體驗，單點最優在遠場語音交互這裡價值很小，相當於必要不充分條件。只有能夠綜合，並且能夠優化單點才真的能夠解決當前產品落地中的實際問題。

（編輯友情提醒：聲智科技即將推出的「遠場語音交互課程」中，將會對Echo進行拆解並做技術剖析，有興趣深入了解的，可以關注一下。傳送門：實戰特訓：遠場語音交互技術）

幾乎所有大公司都感受到了遠場語音交互背後的價值，所以紛紛試水：繼亞馬遜、Google之後，微軟宣布了自己的智能音箱產品，預計蘋果也會宣布自己的相似產品。但是遠場語音交互的落地卻可能比大家期望的要慢。核心點就在於技術-商業上的正反饋需要一定的啟動周期。顯然的技術不好用，產品體驗就不好；而反過來產品沒銷量技術就缺乏打磨的場景，內容配套也就不會跟上。這種互鎖狀態就會形成一個冷啟動周期，在這個周期里做技術的公司打磨自己的技術，在沒那麼大量的產品上落地，產品公司則接受技術現實，打磨自己的產品。這樣一來整個遠場語音交互很可能會跑下面的曲線：

這個過程是可以和過去很多商業現實驗證的，比如2007年iPhone發布，小米手機則要遲到2011年，這期間的4年可以看成是智能手機的啟動期，一旦這個市場啟動後則進入一個高速增長期，小米手機的銷量迅速從2012的700多萬台增加到2014年的6000多萬台。

遠場語音交互的這個技術-商業正反饋當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2000萬台，那基本上可以認為在美國，技術-商業的正反饋第一回合完成。而在國內，同品類產品銷量都還處在幾萬、十幾萬量級的水平，這個技術-商業的正反饋遠未完成。

當然這並非壞事，在格局已定的市場上，後來者是沒有機會的；只有在這種充滿未知的領域上，創業者才真的有顛覆性的機會。如果回退到20年前，聯想、門戶相對於現在的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。

手機的觸屏把很多人塑造成了低頭族，遠場語音交互估計會塑造出許多和機器說話的人。那時候語言不再只是人和人的交互手段。

雷鋒網註：現在雷鋒網 mooc.ai已推出了遠場語音交互技術的實戰特訓班，由語音交互專家、聲智科技 CTO 馮大航主講，為你剖析語音信號處理，麥克風陣列信號處理，語音識別中的關鍵技術及實用技巧。為了鼓勵更多人投入語音領域，聲智科技提供價值1999元的 SAI_MICA_41T-UI、USB 版本的開發版給學員，增強實操練習。5月17日即將開課，感興趣的同學可點擊鏈接報名。

（完）