智能音箱成新風口，蘋果、阿里、小米紛紛放大招，誰能搶佔你的客廳？

【智能音箱是AI席捲消費級場景的首個載體，已成為科技巨頭不約而同瞄準的新風口，一波波音箱發布呈井噴之勢，搶佔語音風口的戰爭剛剛開始。】

文/ 沈玉姍

7月26日，小米在北京國家會議中心發布首款AI音箱。在演示視頻中，小米家居生態「米家」旗下的掃地機器人、智能檯燈、空氣凈化器在「小愛同學」的語音操控下如常運轉。

這家在誕生之初曾引發中國互聯網地震的明星公司，在過去一年逐漸卸下光環，而由小米探索實驗室牽頭研發的AI音箱，承載著小米布局智能家居版圖、重塑硬體生態閉環的使命。

然而，這已是最近兩月間，各個公司發布的第N款音箱了。

繼谷歌與蘋果分別發布音箱產品Google Home和HomePod，7月5日阿里的「天貓精靈」徹底引爆了國內的智能音箱市場。

阿里「天貓精靈」智能音箱

而在此前一天，國內最早入局的京東則再次搶先推出叮咚音箱新品TOP，對標亞馬遜的輕量級產品Echo Dot。加上更早亮相的Rokid、喜馬拉雅FM，以及即將登場的騰訊，此前每年出貨量僅幾百萬台的音箱單品，已成為當下最火熱的網紅產品。

表面上，這是一場由Amazon Echo引發的智能音箱熱潮。實際上，產品背後基於語音交互技術打造的語音助手和生態體系，才是這場戰役的勝負關鍵。同一時間，騰訊、百度也相繼推出基於人機對話、面向軟硬體開發者和合作方的智能設備及服務開放平台。

元璟資本合伙人陳洪亮認為，聲音作為一種人機交互的無形界面，將成為下一個平台級入口，帶來變革性的機會。

「小米系」的順為資本副總裁段譽表示，家庭、車載等封閉環境下的語音助手路徑在業內來看已然清晰。從智能家居到自動駕駛，從前端硬體設備到後端內容服務，語音交互已升級為「風口級賽道」，被普遍視為能夠建立全新產業生態的下一代人機交互操作系統。

智能音箱是這場人工智慧革命席捲消費級場景的首個載體，搶佔語音風口的戰爭剛剛開始。

扎堆造音箱

中國音箱的集體大秀源於Echo的偶然成功。

2014年11月，亞馬遜上線業界第一款實現全語音交互的智能音箱產品Echo。基於全語音交互開闢的全新用戶場景和應用生態，Echo發售後在銷量和口碑上逐漸攀高，入口級地位開始顯現。亞馬遜隨後在首頁位置進行渠道強推，Echo最終在2015年的美國「黑五」期間迎來第一波銷售高峰。

同一時間，競爭對手谷歌、蘋果公司囿於各自強大的移動生態，仍將語音助手視為內置於手機、輔助觸屏交互的非核心功能。Echo由此獲得先發優勢，並最終成為亞馬遜史上最成功的硬體產品。

多名業內人士評價，Echo本身就是一次集天時地利人和的小概率事件。中國同行想要複製Echo卻不容易。

在Rokid創始人兼CEO祝銘明看來，當前基於語音交互的智能音箱，必須在用戶體驗上超出長期既有、搭載於屏幕的視覺交互，才能完成產品替代和用戶遷移。

祝銘明此前擔任阿里巴巴M工作室負責人，牽頭深度學習、視覺和自然語言處理的研發工作，2014年7月創辦人工智慧公司Rokid，是國內最早研究消費級語音交互場景的先行者之一。

Rokid 公司智能音箱新產品 Pebble (月石）

事實上，音箱早已被視為是語音交互的理想終端，只是早期的產品形態大都在體驗上不盡如人意。玩家們需要圍繞國內用戶的使用習慣和場景進行產品的深度打磨，才能完成智能音箱的中國式轉身。

首當其衝的是確保音箱在音樂點播場景下的真實可用。Rokid北京A-Lab負責人高鵬告訴《21CBR》記者，對標音樂APP的個性推薦功能，語音交互的優勢在於高效直接。

無論是「我要聽歌」還是「下一首」，底層演算法引擎和音樂產品策略，時刻接收用戶指令，並綜合時間、曲庫等外部因素變化以及用戶的使用偏好，不斷糾正、生成個性化的推薦歌單。除了音樂曲庫，通過與喜馬拉雅FM合作，兒童故事、小說相聲也在Rokid的內容體系之列。

海量內容是各家音箱在這場年中大秀上的亮點，也是喜馬拉雅FM涉足音箱硬體的背後邏輯。6月，喜馬拉雅FM聯合多方發布「小雅」音箱，主打基於「一雲多端」的斷點續播功能，能夠在多台設備上記錄並續播此前沒有聽完的內容。

喜馬拉雅「小雅」音箱

其副總裁李海波向《21CBR》記者解釋：「喜馬拉雅FM活躍用戶日均使用時長已經超過128分鐘，（通過手機）已經相當高了，必須用小雅拿下更多的用戶時間。」

與歐美國家的音樂消費主流不同，國人在有聲讀物方面表現出巨大的收聽熱情。李海波介紹，喜馬拉雅FM的激活用戶數有3.7億，有聲內容達6000多萬條，並且以每天百萬條的速度不斷增長。音箱成為有聲內容向多個生活場景延展的理想載體，但如何讓6000多萬條音頻順利到達用戶？

移動電台的有聲讀物標題動輒長達二三十字，音箱是每次都把字一個個讀下來，還是一旦完成檢索、識別就自動停下來開始播放？產品策略人性化與否，常常體現在細微處。

團隊為此對平台上的音頻數據進行前端優化，包括語音搜索引擎的推薦排序以及內容標題的關鍵信息提煉。小雅音箱的語音技術提供方——獵戶星空的投資人傅盛因此感慨：「人工智慧，有多少智能，就有多少人工。」

相比基於PC、手機觸屏的視覺交互，語音交互一定程度上降低了此前交互效率低的缺點，更適合不擅長使用手機的兒童及老人。各家廠商紛紛將故事兒歌、相聲戲曲列為重要內容構成。

京東為此聯合新東方，於2015年10月推出了內置泡泡少兒英語教材的「叮咚音箱」教育定製版。而在當年5月，京東與科大訊飛組成的合資公司「靈隆科技」才剛剛推出國內首款智能音箱「叮咚」。

教育版「叮咚」很快成為新東方線下課堂的重要教輔工具。學生使用音箱完成教材規定的朗讀作業，雲端將音頻傳輸至為老師定製的手機APP，再將打分點評的結果自動返回給學生。

此前，這樣的課後作業環節大多以學生錄製微信語音，再由家長代為上傳到班級微信群中的方式完成。靈隆科技CEO魏強告訴《21CBR》記者，教育版音箱在新東方全國的主要網點推廣試用後，受到了家長的普遍歡迎，學生購買比率超過50%。

2016年，叮咚音箱在中國智能音箱市場佔比超過80%，魏強表示今年的銷量仍以100%的速度增長。Rokid也宣布，其日活躍度超過50%，用戶平均使用時長達1小時以上，為現有公開的音箱品類中最高。

然而，中國智能音箱行業的整體出貨量仍在百萬級別，在消費電子市場並非可觀的品類，用戶也尚未養成使用語音的習慣，中國智能音箱秀尚需迎接來自更廣泛的市場和用戶的檢閱。

祝銘明說：「現階段最迫切的問題是，除了內容點播、天氣、鬧鐘等工具類功能之外，語音交互到底還適用於哪些細分場景。」

讓音箱「開口說話」

祝銘明認為，要實現自然的人機語音交互，首先要像對待朋友那樣，以兩個字的稱呼喚醒機器。

業內對於喚醒詞的定製規則通常是4-6個漢字，音節覆蓋越長，相鄰音節差異越大，誤喚醒率越低。事實上，為保證實際使用時的喚醒效果，包括谷歌、蘋果在內的國內外廠商都將喚醒詞設置為3-4個音節，比如「OK，Google」和「Hi，Siri」。

高鵬告訴《21CBR》記者，為了讓雙音節喚醒詞「若琪」達到「可用水平」，Rokid團隊耗時近一年，將不斷收集的天使用戶語料用於喚醒詞的演算法模型訓練，同時調整相關的產品策略，比如在本地和雲端添加多道驗證，最終將室內環境下10米以內的「若琪」喚醒率提升至90%以上，響應速度控制在500毫秒。

喚醒詞門檻的高低對於用戶的習慣養成意義重大， 喚醒詞的背後實際上是一條完整的語音交互技術鏈：從遠場交互技術、麥克風陣列，到語音識別、理解、合成的相關演算法，對應著音箱從「聽清」、「聽懂」到最終「開口說話」的一系列步驟和相關軟硬體生態。

阿里巴巴人工智慧實驗室負責人陳麗娟就將天貓精靈稱為「鏈路最長的產品，任何環節出錯都會被乘數級放大」。

Rokid是業內少有的自主研發語音技術及把控產品全程鏈路的公司，而更多玩家則以組隊的方式「打怪升級」，逐個擊破。

Echo被視為最重要的硬體革新，主要在於產品頂部的6+1環形麥克風陣列設計，配合降噪處理、聲源定位等技術，能夠實現360°語音信號採集和5-10米半徑內的語音識別效果，大大提升了遠場語音交互體驗。

Echo的6+1環形麥克風陣列設計，大大提升了遠場語音交互體驗（圖片來源：極客公園）

Echo發售不久，國內語音技術服務商便迅速跟進。科大訊飛為首款叮咚音箱配備了8個麥克風的環形陣列；思必馳則推出國內首個與Echo同源的麥克風陣列，並為天貓精靈、小米提供相應的麥陣軟硬體、語音識別等技術方案。

思必馳CMO龍夢竹告訴《21CBR》記者，語音交互產品涉及各方面因素，包括環境、用戶和產品本身，「以演算法降噪為例，麥克風的距離角度、聲源的定位、音箱的選型，從任何一個出發點考慮，都會生成很多情況，是對語音交互能力的綜合考察，甚至可能推翻產品原有的工業設計方案」。

語音識別的演算法提升，也得益於深度學習近年來在問答式語音場景中的應用。通過收集海量語音數據，採用深度神經網路的端到端訓練方法，各家在語音識別的準確率、速度等性能表現日趨逼近，數據石油的開採逐漸從通用領域走向垂直場景。

喜馬拉雅FM僅針對喚醒識別一項功能就錄製了超過8萬條「小雅小雅」，阿里巴巴為了讓天貓精靈適應家居場景則收集了大量與玻璃、木材、金融等材質相關的噪音。

語音合成也離不開數據準備。音箱能夠自然地「開口說話」，背後是大量的語音合成工作。Rokid北京A-Lab科學家孟猛曾表示：「高品質的語音合成需要精心挑選聲優，還要專業的錄音師、監聽員，資源耗費多，產品周期長。語音識別能收集到上萬小時的數據，語音合成能有100小時就很不錯，需要通過演算法把難度降下來。」

不過，多名業內人士向《21CBR》記者解釋，數據驅動的深度學習在帶有一定識別規則的任務式對話中表現突出。然而，一旦進入自然語言理解環節，尤其多輪對話的應用中，需要機器調動更接近人類思維模式的認知和推理能力，深度學習便威力不再，音箱時常表現出「沒有聽懂」。距離自主學習、實現真正意義上的「智能」，音箱還有很長一段路要走。

風口來臨

儘管現階段的智能音箱仍需突破技術難關，其背後初具雛形的語音平台已經讓眾多的科幻電影場景成為現實。人們看到了語音交互在消費級市場的巨大潛力，紛紛布局生態，滿城儘是「開放平台」，風口似乎來了。

一位投資人向《21CBR》記者描繪了這樣一幅生活場景：「當我問音箱今天什麼天氣，喚醒的可能是墨跡；要聽兒童故事，背後有的是咔噠（一款兒童有聲故事App）；聽歌則是網易雲音樂。語音本身成為新的入口，這與移動互聯網時期的手機端入口概念是不一樣的。」

從硬體到技術，從內容到數據，各家看到了語音交互商業變現的種種可能，實際建立起生態體系時，在方向和邏輯上卻不盡相同。

廠商普遍提及的首要任務是搭建語音技能平台。截至目前，Echo銷量突破1000萬，Alexa平台上的語音技能（Skills）已達1.5萬種，布局成果超出眾人預期，亞馬遜也憑藉Echo在硬體市場打了一記翻身仗。後來者紛紛效仿Alexa，加碼生態建設，比拼技能數量，試圖以更豐富的語音技能應用拉攏更多用戶。

Echo通過Alexa平台，可控制家庭環境內的其他智能產品（圖片來源：極客公園）

不過，根據AI觀察機構Voicebot的統計，Alexa平台上擁有最多評論的前10%技能佔據了80%的總評論數，包括音樂、教育、資訊等大類技能，其餘絕大多數技能則乏人問津。

從研發階段、產品化到開放給第三方開發者，Alexa跑通這條路花了5年時間。祝銘明認為，技能並非越多越好，相比接入大量技能，現階段專註於核心技能的體驗優化更為重要。

思必馳則橫向輸出技術，定位為人機交互的智能解決方案平台。2015年，思必馳面向硬體合作方推出AIOS人機對話操作系統，封裝了核心的語音技術和對話交互邏輯。

7月7日，思必馳宣布打造DUI（Dialogue User Interface）開放平台。相比AIOS，DUI更像是解決方案的自選超市，提供可定製的語音技術全鏈能力，「相當於AIOS的升級版。」龍夢竹稱。

與科大訊飛一樣，思必馳是國內僅有的兩家具有全套語音技術產權的公司之一，專註智能硬體領域的技術輸出。

創業公司在垂直領域挖掘平台深度和轉身空間，大公司則試圖一網打盡、打造航母級生態體系。

2015年9月，李彥宏在百度世界大會上推出基於移動端的語音助手「度秘」。2016年下半年，百度加速語音賽道布局，將度秘改名為DuerOS，成立單獨事業部，轉型技術輸出。今年7月5日，在百度首屆開發者大會上，度秘事業部總經理景鯤正式發布DuerOS開放平台，表示DuerOS將是人工智慧時代的安卓系統。

百度的DuerOS開放平台賦能智能家居行業

京東、阿里、騰訊也先後發布平台計劃：開發語音助手，建立硬體和技能平台。與百度的不同之處則是增加了終端的音箱產品。BATJ均表示要以低門檻賦能智能語音設備，似乎都指向了一幅更大的生態圖景：智能家居。業內普遍認為，語音交互是智能硬體的關鍵入口，智能硬體又是語音交互的主要應用，二者天然契合。

魏強告訴《21CBR》記者，通過與京東智能家居接入平台「微聯」對接，叮咚音箱後台已接入智能家居設備超過1000款，覆蓋燈具、空調、電視、廚具等21個品類，能夠進行跨平台、跨品牌的連接控制，「未來，終端與平台的關係不是1:N或N:1，而是N:N。」

更有布局硬體生態三年的小米，欲藉此激活新的業務增長點。在6月的米家年度發布會上，小米聯合創始人劉德透露，小米硬體生態鏈平台MIOT已連接6000萬台智能設備，米家做的是「明天」的產品。

研究機構Statista的統計數據顯示，2016年全球智能家居市場規模已達168億美元，預計到2021年，中國市場比重將從7%上升至17%。

在祝銘明看來，語音交互能夠實現的多機協作、個體認知，將帶來跨設備、跨場景的狀態遷移，「虛擬的若琪是跟著人走，而非跟著設備走，最終將是一個無處不在的AI」。屆時，承擔語音入口功能的或許也不再是音箱了。龍夢竹認為，Echo只是Alexa生態孵化出的第一個產物，「音箱只是語音的一個載體，核心是對話交互」。

智能音箱承載著人們對人工智慧和未來生活的眾多想像，但能否成為「爆款」還有待市場的檢驗。

喜歡這篇文章嗎？立刻分享出去讓更多人知道吧！

本站內容充實豐富，博大精深，小編精選每日熱門資訊，隨時更新，點擊「搶先收到最新資訊」瀏覽吧！

請您繼續閱讀更多來自 小米 的精彩文章: