智能音箱的中國場景在哪裡？

科技 08-09

摘要：

在中國，智能音箱想要成功，要做到哪些？

4 年前，智能語音助手 Siri 借 iPhone 之勢，第一次讓人們體驗到，原來通過和手機對話就能完成過去很多不方便的操作。

Siri 給全世界展現的，是一種更加「擬人化」，更加「生活化」的新的交互方式，儘管推出後並不如人們所期待的那樣聰明，但從那時開始，人類對於「語音交互能帶來怎樣的可能性」這個問題，開始有了更多的思考。

2 年前，名叫「Alexa」的語音助手借 Amazon Echo 開始進入美國成千上萬的家庭當中，人們驚喜的發現，原來只需要動動嘴，不但能像過去一樣查詢天氣、日程，甚至還可以點播音樂、開關空調、調整客廳燈光，甚至包辦下網上購物的功能。

Amazon Echo 讓人們認識到，原來在家庭生活當中，人們不用圍繞手機，也能夠擁有更智能化的體驗。

2017 年，國內互聯網公司們也開始了智能音箱的征途，從百度、阿里巴巴、京東，到小米、喜馬拉雅 FM，眾多廠商相繼宣布要瞄準智能音箱發力，一系列新品也開始在市場出現。

智能音箱戰場已經硝煙四起，它的「中國式玩法」究竟是什麼？怎樣揚長避短尋找到正確的路徑理解國內用戶和智能音箱的關係？這些問題在深圳米唐科技創始人 & CEO 宋少鵬看來，不單單是技術問題，更是用戶體驗差異的問題。要想找到答案，就必須了解中美環境的異同。

在極客公園 Rebuild 2017 大會上，宋少鵬和我們分享了如何從細節角度來看，中美智能音箱使用上的異同，從更深的角度去理解，中國人究竟需要什麼樣的智能家居產品。

語音交互是交互進化的自然階段

在宋少鵬看來，在探討語音交互、人工智慧這些話題之前，首先要討論的是 Amazon Echo 成功的一些必備因素，因為這些要素當中包含了三個問題：

為什麼是語音交互而不是其它交互方式進入到人們家庭當中？

為什麼智能音箱是從美國，從一個做電商的公司進行了落地？

中國和美國的差異，怎樣影響智能音箱的不同體驗？

為什麼是語音交互？宋少鵬認為這是由人機交互演進之後的自然選擇，因為它意味著交互成本降低，他舉出了兩個例子：

第一，如果你想算 2 的 10 次方減 1，在滑鼠、鍵盤、觸摸、語音四中交互環境下，完成這個交互時間最少的，就是語音交互。因為語音交互所需要消耗的能量更少，人們完成這個交互所需要付出的成本更低。

第二，在古代，熱愛音樂的人去欣賞音樂，需要駕著馬車到音樂廳或者歌劇院。後來留聲機的發明使人們可以躺在家裡聽音樂。面到了 iPod，大家可以把 1000 首歌裝進口袋，手指一滑，就可以欣賞喜歡的音樂。到 2014 年 Amazon Echo 發布智能音箱，人們只用動動嘴就能得到自己想要的音樂，這意味著能量消耗進一步減少。

所以說，語音交互降低了人跟物理世界交互所需的能耗。這個趨勢符合產品迭代的趨勢。

基於這樣的判斷，宋少鵬創立了 Sugr 米唐科技，從 2013 年開始研究音頻產品的互聯網化，從語音、觸摸、體感等多種方式降低人們獲取音樂的能耗。

而到了 2014 年，Amazon Echo 和 Alexa 的發布，解決了人們需要的語音交互的很多問題。於是 Sugr 主動擁抱 Alexa 平台，成為國內第一個經過 Alexa 認證的智能音箱產品。

從小眾走向剛需的智能音箱

說到第二個問題：為什麼智能音箱從美國，從一個做電商的公司進行了落地？宋少鵬和他的團隊從 2014 年就開始運營自有品牌的音箱產品，通過用戶訪談，以及後台數據發現了一些規律：中國的音樂消費者跟美國的音樂消費者在消費習慣上有很大的不同。

美國的音樂消費者是成長於汽車上的黃金一代，汽車上都配備收音機，所以他們的音樂消費是從聽收音機開始的。大家習慣了這種背景式的、實時存在式的播放，在任何一個生活場景裡面都會有音樂存在，這種情況下，他們更傾向於流媒體音樂形式。

而說到中國的音樂消費者，最初接觸音樂是源於 80 年代初期改革開放，港台音樂以盒帶和卡帶形式大量流入內地，所以大家接觸音樂是一個歌手的完整專輯，裡面有各種各樣的曲風，但很少有合集和混編。

這樣的不同其實就在我們兩地的音樂 app 上有了體現，宋少鵬以 Spotify 和 QQ 音樂做了類比：

搜索在 QQ 音樂始終是一級菜單，在最顯眼的地方，最方便用戶搜索。在 Spotify 上你要到二級菜單才能完成搜索的功能。

封面、歌詞在 QQ 音樂屬於非常顯著的位置，非常多的視覺信息，而在 Spotify 里沒有。

因為美國人對音樂的剛性需求，他們對於流媒體音樂的使用習慣，所以在智能音箱為大家提供語音交互的時候，用戶對於語義理解的要求反而沒有那麼高，點播歌曲的頻度沒有那麼多。

當我們再看 Amazon Echo 在北美剛開始的成功，其實就在於 Amazon Echo 首先解決了家庭環境聽音樂的痛點，可以讓音樂一天不停地播放，使得 Amazon 可以以 MVP（minimum viable product，最小化可實現原型）的形式，拿出一款產品來迅速交付消費者並進行迭代。

這之後 Amazon Echo 進入了一個快速迭代的流程，開始迭代服務、信息，比如說天氣、交通等等，這樣使他的服務越來越豐富，也使得用戶的黏性越來越高。

音箱本來是被動播放音樂的產品，人工智慧和語音助手的植入使它成為一個主動獲取信息、獲取音樂，成為一個流量的入口。慢慢地，技術的迭代使得它開始加入了家居其他產品的控制功能，逐步成長為家居的中控，這樣就有了無比巨大的想像空間。

這也就解釋了為什麼幾乎所有的互聯網巨頭，包括 Google、亞馬遜、微軟、蘋果都進入了這樣一個產品競爭的賽道。其實，從手機到智能音箱，再到不遠的將來，每個家庭中的其他電子產品中，它們都將有可能被賦予「萬物聽說」的能力，而音箱的成功，意味著這條路繼續往下走的正確性在，這也正是宋少鵬和他的米唐科技正在做的事情。

智能音箱落地中國還缺什麼

儘管宋少鵬和他的團隊開發出的產品早已進入了亞馬遜的 Alexa 認證體系，成為亞馬遜平台上第一個通過認證的來自中國的智能音箱。但智能音箱在中國應該給用戶提供什麼樣的服務？仍是他思索的問題。

中美消費者對於音樂消費的 DNA 是不同的，所以在中國，點播會是一個非常強的需求，是一個常態，點播所帶來的技術上的需求會更加急迫，它包括更強大的語義理解能力，更豐富、更深入的音樂知識圖譜，以及更完善的音樂版權和曲庫。

另外，中國人家庭環境和美國也有區別，通常都是壁掛式或者是落地式的空調，每一個空調都有單獨的搖控器，這就決定了如果音箱作為一個智能家居的中控，它對於空調的介面、控制場景和體驗是不同的。

這樣的場景還有很多，包括廚房、卧室等等，也正因為不同的場景，因此所帶來的用戶需求一定是不同的。

所以在宋少鵬看來，在中國做智能音箱一定不能複製 Echo 的路徑，而是要找到我們真正消費者的需求，落實消費者的場景，來解決我們自己的問題。

宋少鵬和他的團隊做出了 Sugr Sense 方案，這是一個完整的智能音箱解決方案，它包括了麥克風和麥克風陣列的處理技術，裡面有去回聲、去噪音、聲源定位、語音喚醒等等技術特徵。這其中有一套單麥克風的解決技術，是目前全球唯一一套可以通過 Amazon 嚴格測試並認證的單麥克風解決方案，不但可以降低行業門檻，還可以提升整個行業的效率。

這項單麥克風解決方案在 Amazon 的測試環境里擁有不錯的成績，在 9 英尺的環境下（2.74 米），普通辦公或者是家居環境下，喚醒響應率能達到 100%，在 9 英尺的距離，在設備自身播放音樂，AEC（自適應回聲消除）場景下，正確響應率達到了 98%。

提到產品經歷過 Amazon 的認證過程，宋少鵬提到，Amazon 對於產品認證的環節非常考量，有多個環節：

首先，認證從產品開箱體驗開始，事無巨細。

之後，官方會測試網路的配置、喚醒的速度、燈效、光效、回答的效率、回答的準確率，甚至連 app 的交互體驗都在測試範圍內。

經歷了這樣的過程，產品會接入 Amazon，幫助合作夥伴把產品送到線上和北美線下的店鋪進行銷售，這樣是從認證-合作的整個過程。