11 月 21 日，在深圳會展中心舉辦的第十八屆中國國際高新技術(shù)成果交易會（高交會）進(jìn)入了最后一天的議程，在四號館，計(jì)算機(jī)視覺公司曠視科技和智能語音識別公司思必馳聯(lián)合主辦了一場“讀臉對話”主題沙龍，在討論中，思必馳產(chǎn)品總監(jiān)張巖向公眾做了題為《物聯(lián)網(wǎng)時(shí)代下的語音交互》的分享。

語音識別是物聯(lián)網(wǎng)未來的交互方式

隨著信息科技和移動互聯(lián)網(wǎng)的不斷發(fā)展，人類和計(jì)算機(jī)的交互方式也在不斷發(fā)生著變化。從最初的像 Dos 系統(tǒng)那樣的命令行交互，到蘋果和微軟系統(tǒng)那樣的窗口化顯示，以及現(xiàn)在的手機(jī)系統(tǒng) UI 設(shè)計(jì)，都是不同階段人類與計(jì)算機(jī)的進(jìn)行信息交互的不同方式。在張巖看來，未來，隨著物聯(lián)網(wǎng)和智能化時(shí)代的到來，人類和計(jì)算機(jī)之間將產(chǎn)生一種全新的交互方式：那就是自然語音的交互，可以稱為“Voice UI”。

張巖將物聯(lián)網(wǎng)產(chǎn)品分成兩類：一類是只需要聯(lián)網(wǎng)的具備數(shù)據(jù)交換功能的簡單產(chǎn)品，另一類是需要跟人交互的具有一定智能的復(fù)雜產(chǎn)品。他認(rèn)為，就像手機(jī)占領(lǐng)現(xiàn)代人的生活那樣，這兩類物聯(lián)網(wǎng)產(chǎn)品也將占領(lǐng)未來人類的生活。

毋庸置疑，亞馬遜的 Echo 智能音箱是語音識別落地硬件設(shè)備最好的案例之一。憑借精準(zhǔn)的自然語音交互，背后豐富的內(nèi)容資源支持，亞馬遜 Echo 不但蟬聯(lián)了歐美市場同類產(chǎn)品的銷量冠軍，更是成為了目前業(yè)界智能音箱類產(chǎn)品的設(shè)計(jì)標(biāo)桿。這里面除了反映出亞馬遜公司自身強(qiáng)勁的產(chǎn)品研發(fā)和整合能力之外，實(shí)際上也代表著業(yè)界和市場對于語音交互方式的認(rèn)可。

張巖表示，截止目前，國內(nèi)之所以還沒有出現(xiàn)一款真正意義上的國產(chǎn)版的 Echo，主要原因是受到了四個方面的約束：

基于自然語言的語音識別和語義分析技術(shù)約束；

背后強(qiáng)大的資源整合能力的限制；

缺少平臺化的產(chǎn)品的 API 開放；

欠缺合理的價(jià)格和市場定位。

這幾點(diǎn)正是語音識別廠商需要為硬件廠商的難題。

思必馳做了什么？

據(jù)張巖介紹，思必馳目前主要有兩大產(chǎn)品線：一個是基于自然對話的語音識別和語義分析的 AIOS （Artificial Intelligence Operating System）人機(jī)對話操作系統(tǒng)，另一個是基于音頻芯片和麥克風(fēng)陣列的 AICHIP （Artificial Intelligence Chip）智能語音芯片模組。

張巖表示，AIOS 的設(shè)計(jì)初衷是為了彌補(bǔ)傳統(tǒng)的主流操作系統(tǒng)（安卓、QNX 和 Linux等）在自然語言交互方面的缺失，實(shí)現(xiàn)機(jī)制就是在操作系統(tǒng)本身的基礎(chǔ)上實(shí)現(xiàn)語音驅(qū)動下的一些列系統(tǒng)功能的對接，比如檢測 到用戶的指令是讓電腦打開攝像頭，那么 AIOS 就需要調(diào)用操作系統(tǒng)本身的接口實(shí)現(xiàn)相關(guān)操作。目前，AIOS 主要是以 License 授權(quán)的方式與硬件廠商形成合作，主要的廠商有高德導(dǎo)航和阿里 YunOS 等。

而 AICHIP 作為一個硬件方案，是思必馳和 Realtek 、 Marvell 等在內(nèi)的多家半導(dǎo)體廠商共同合作的產(chǎn)品。將思必馳的語音技術(shù)和半導(dǎo)體廠商的音頻處理、無線通訊等組件結(jié)合，形成了一套具有高度適配性和設(shè)計(jì)自由度的半導(dǎo)體語音模組，例如思必馳出品的環(huán)形 6+1 麥克風(fēng)場景陣列和 4 麥克風(fēng)線性陣列等，這在硬件上大大縮短了廠商的研發(fā)周期，目前有多家國內(nèi)的機(jī)器人廠商都采用了思必馳的解決方案。

張巖表示，物聯(lián)網(wǎng)的范疇很大，幾乎可以說包羅萬象，但是作為一家企業(yè)，就像一個人一樣，其專注的精力是有限的。因此在當(dāng)前情況下，思必馳主要提供車載、家居和機(jī)器人等三個垂直領(lǐng)域的軟、硬件解決方案，其中車載領(lǐng)域更關(guān)注安全性，家居領(lǐng)域更關(guān)注怎么做能讓用戶的生活更便捷，而機(jī)器人領(lǐng)域則主要強(qiáng)調(diào)交流和溝通。

不過，目前有很多語音識別方案用戶體驗(yàn)并不理想。例如目前大部分的語音交互模式，都需要先說一聲“你好，XX系統(tǒng)”來激活語音識別程序，然后才能發(fā)出指令，進(jìn)入語音交互狀態(tài)。但其實(shí)更合理的模式應(yīng)該是，用戶說“你好，XX系統(tǒng)，今天的天氣如何”不需要停頓，然后系統(tǒng)直接就能給出當(dāng)日的天氣狀況，這才是連貫合理的交互。在張巖看來，語音識別公司在突破技術(shù)瓶頸的同時(shí)，更需要注重體驗(yàn)上的進(jìn)步。

國內(nèi)做語音識別技術(shù)的公司并不少，科大訊飛就是其中之一，有數(shù)據(jù)顯示其已占有中文語音技術(shù)市場70%以上市場份額，那思必馳如何立足市場呢？

張巖坦言：“我們承認(rèn)訊飛還是這個行業(yè)的No. 1，可調(diào)用的資源比我們多。不過也應(yīng)該注意到：我們兩家公司的側(cè)重點(diǎn)是不同的，而且一個平臺想解決這個行業(yè)的全部問題，這一點(diǎn)很難。我們不會跟科大訊飛比我們的短板，我們還是深耕垂直場景的語音交互。”

張巖向雷鋒網(wǎng)透露，除了車載、家居和機(jī)器人領(lǐng)域之外，思必馳未來計(jì)劃構(gòu)建一個基于語音交互的定制平臺，這個平臺將可以對接這三個領(lǐng)域之外的其他各種物聯(lián)網(wǎng)的智能硬件廠商，通過集成語音識別和語義分析技術(shù)，用戶將可以在這個平臺上自由定制各種語音方面的功能。

最后，張巖用麥克羅漢（Marshall McLuhan）的媒介論來解讀物聯(lián)網(wǎng)。他說：“就好像印刷品是人眼的延伸，廣播是人耳的延伸一樣，物聯(lián)網(wǎng)同樣也是一種延伸。未來，你隨便問機(jī)器一句話，就像跟朋友交談那樣，機(jī)器通過聯(lián)網(wǎng)立刻就能向你反饋需要的結(jié)果，這其實(shí)就是一種大腦的延伸?！?/p>

雷峰網(wǎng)原創(chuàng)文章，未經(jīng)授權(quán)禁止轉(zhuǎn)載。詳情見轉(zhuǎn)載須知。