0
| 本文作者： 陳孝良 | 2017-09-29 14:07 |
雷鋒網(wǎng)按：本文作者為聲智科技創(chuàng)始人兼CEO陳孝良，中科院聲學所博士。
美國時間9月27日，亞馬遜再次引領了遠場語音交互的潮流，一口氣發(fā)布了5款Echo新品，包括第二代Echo和Echo Plus，2.5寸屏幕的Echo Spot，以及Echo Connect和Echo buttons。其中，最為引人關注的是Echo Spot，這個被稱為是Echo Show鬧鐘版的新品帶有一個2.5英寸的圓形屏幕，用戶可以用它來顯示圖像、歌詞、視頻聊天等，售價僅有129.99美元。
Echo Spot不同于新版Echo和Echo plus，并沒有采用環(huán)形6+1麥克風陣列，而是縮減了麥克風陣列的配置，選用了環(huán)形4麥的麥克風陣列技術。為什么Echo Spot會選擇更換不同的麥克風陣列技術呢？
最新亞馬遜客廳產(chǎn)品家族：Echo和FireTV系列
不管第一代還是第二代，Echo都采用典型的6+1麥克風陣列結構，即環(huán)形6個麥克風搭配中間1個麥克風，如下圖左所示。而且，Amazon一直非常喜歡采用TI的AD芯片TLV320ADC。目前，這種陣型國外主要是Amazon Echo使用，國內(nèi)也只有聯(lián)想和科大訊飛曾經(jīng)模仿過這種陣型，其中，1代聯(lián)想智能音箱采用的是環(huán)形6個麥克風+中間2個麥克風的結構。如下圖右所示。
這里再說一下科大訊飛，其叮咚音箱系列產(chǎn)品都是模仿的這種結構，訊飛增加了1個麥克風，形成了環(huán)形7+1麥克風陣列的結構，如下圖所示。叮咚1代和2代的差別主要是1代采用的是駐極體麥克風，而2代換成了模擬的MEMS麥克風。相比Amazon來說，科大訊飛更喜歡科勝訊的芯片，1、2代叮咚產(chǎn)品全部采用科勝訊的AD芯片CX20810，另外，科大訊飛的雙麥算法也是采用的科勝訊CX20921芯片。
Echo Show則采用了橢圓形麥克風陣列，國內(nèi)一般也稱為跑道形，其實就是雙線形，如下圖左所示。這個陣型因為Echo Show的厚度問題所做了折衷處理，也是典型的技術妥協(xié)于產(chǎn)品設計的案例。目前，國內(nèi)只有聲智科技供應類似陣型，即L型6麥陣列，見如下圖右所示。
進一步縮減了麥克風陣列的配置，采用了環(huán)形4麥的技術，如下圖左所示，這個陣型既降低了成本但也保證了一定的效果，這是比較典型的根據(jù)場景選擇合適技術的案例。目前，國內(nèi)的聲智科技也供應這種陣型的麥克風陣列產(chǎn)品，即兼容4麥和4+1麥的麥克風陣列及開發(fā)板，如下圖右所示。
相比6麥陣型來說，減少了2個麥克風之后，這個陣型僅是損失了一些4米以外的遠場語音交互性能。但是根據(jù)國外產(chǎn)品公司對用戶使用習慣的統(tǒng)計分析數(shù)據(jù)顯示，在1-3米的范圍是用戶最習慣的遠場交互距離，所以4麥也適合大多數(shù)用戶使用場景，尤其是酒店等行業(yè)的應用。
采用的是環(huán)形6麥方案，環(huán)形6麥的優(yōu)點就是給產(chǎn)品ID設計更大的自由性，同時也兼顧了成本和遠場語音交互性能。國內(nèi)小米AI音箱采用聲智科技的前端方案，其中的陣型就是環(huán)形6麥，同時為繼續(xù)降低成本，麥克風也全部采用數(shù)字麥克風，這樣就省掉了模擬麥克風必須搭配的AD芯片。國內(nèi)采用這個陣型的還有天貓精靈、小雅音箱，然而，不同于小米AI音箱，天貓精靈為照顧算法因素，依然采用了模擬麥克風+TI ADC的方案。
Google Home則獨具一格，采用了雙麥克風的方案，國內(nèi)出門問問的智能音箱也沿用了這個方案。國內(nèi)雙麥技術提供商主要是科大訊飛和聲智科技。而聲智科技的雙麥方案主要應用在汽車等行業(yè)，其在消費電子領域的成熟應用方案則是單麥克風方案。
科大訊飛曾經(jīng)發(fā)布過雙層的麥克風陣列，以及4麥線形陣列。除了科大訊飛，聲智科技也推出了量產(chǎn)版的4麥線形陣列、3麥三角陣列以及分布式陣列。但是由于這些特殊陣列的產(chǎn)品目前銷量還較小，在市場上的影響還很小。
從上面的盤點可以看出，Amazon幾乎每個新產(chǎn)品系列都會采用新的麥克風陣列技術，國內(nèi)知名產(chǎn)品的麥克風陣型也多種多樣，即便相同的陣型，其陣元間距也會不同，為何會產(chǎn)生這個現(xiàn)象？
首先從麥克風陣列技術本身來看，麥克風陣列是指應用于語音處理的按一定規(guī)則排列的多個麥克風系統(tǒng)，也可以簡單理解為2個以上麥克風組成的錄音系統(tǒng)。麥克風陣列一般來說有線形、環(huán)形和球形之分，嚴謹?shù)膽撜f成一字、十字、雙L、平面、螺旋、球形等。
至于麥克風陣列的陣元數(shù)量，也就是麥克風數(shù)量，可以從2個到上千個不等。由于成本限制，消費級麥克風陣列的陣元數(shù)量一般不超過8個，所以市面上最常見的就是6麥和4麥的陣型。
除了算法，決定麥克風陣列性能的主要就是陣元麥克風的質(zhì)量、數(shù)量及布局。這些基本都是硬件架構所決定，特別是麥克風的質(zhì)量和數(shù)量，又與每個廠商的供應鏈緊密相關，這就非常容易造成每款產(chǎn)品的差異。比如叮咚1代為保證性能，選擇了性能指標更高的指向型駐極體麥克風，而Echo則為了保證量產(chǎn)質(zhì)量，則選用了性能指標較低的MEMS麥克風。由于算法的持續(xù)提升，對于麥克風的要求不再嚴格，因此MEMS麥克風是當前主流的應用。
其次從遠場語音交互的場景來看，比如智能音箱、智能中控和智能汽車的場景肯定不一樣，其需求自然也不同。智能音箱一般都是放置桌面，需要360度響應指令，所以環(huán)形陣列比較適合，而智能中控一般貼墻固定，僅照顧180度范圍即可，這時候線形陣列就能滿足。
當然這里也有特殊，比如手機和平板，一般也是3麥或4麥的矩形，這種陣型恰當利用屏幕導向而只是重點滿足某個扇形角度的性能。智能汽車又分了兩種情況，一種情況是僅滿足駕駛員的語音交互需求，則單麥/雙麥基本就能滿足，另外一種情況則是滿足所有乘員，而且重點照顧后排，則需要采用分布式陣列。
再次從產(chǎn)品設計美觀和約束來看，剛才提到了陣型，這就約束了產(chǎn)品的ID設計，但是產(chǎn)品若有差異就必然需要不同的ID，那么自然就需要形態(tài)各異的麥克風陣列。不同的陣元間距和分布會對麥克風陣列性能產(chǎn)生重大影響，所以這個設計過程中是技術和藝術互相妥協(xié)的過程。同時麥克風陣列對于遮擋也有一定的要求，當前的麥克風陣列主要是放在頂部，就是為了避免這個問題，當然這個約束也會隨著算法技術的不斷提高而弱化。
最后從產(chǎn)品成本及生產(chǎn)工藝來看，比如麥克風的選型問題，駐極體麥克風的性能指標更好，但是由于生產(chǎn)需要大量人工介入導致成本較高，因此當前主要采用MEMS麥克風。MEMS麥克風又分為模擬和數(shù)字兩種，模擬麥克風+專業(yè)ADC的性能指標也更好，但是同時也讓成本上升。數(shù)字麥克風的難點就是采集的信號相對最差，需要算法處理更多以達到與其他方案同樣的效果。
偶爾會聽到行業(yè)人士做的一個類比，人類有兩只耳朵，所以兩個麥克風就能達到同樣性能。這實際上是一個誤解，以現(xiàn)在技術來看，即便用100個麥克風，也未必能達到人耳的效果。人耳是極其復雜的一個結構，至今為止實際上科學也沒搞清楚所有原理，更談不上用簡單的麥克風進行模擬了?，F(xiàn)在的麥克風，實際上都是標量麥克風，所獲取的僅僅是聲壓變化轉(zhuǎn)成的電信號，而且還沒有耳廓，更無法根據(jù)場景變化隨動調(diào)整。
那么為什么Google Home要采用雙麥方案呢？這和麥克風陣列有何差異？事實上，這要從各家不同的技術架構來探討，當前市面上主要存在三種遠場語音交互技術架構。
首先就是以Google為代表的純云端技術架構，Google并非不想采用麥克風陣列，因為陣列相比雙麥方案具有了波束形成的功能，自然就擁有了更好的噪聲和去混響能力，當距離較遠或者環(huán)境復雜的時候依然能夠保證遠場識別率。但是由于麥克風陣列涉及了前端硬件，這并非Google所擅長，因此Google就希望能通過云端機器學習的方式來達到類似功能。
但是麥克風陣列的陣元較多，產(chǎn)生的數(shù)據(jù)容量太大，而當前的網(wǎng)絡上傳帶寬嚴重不足，所以只能權衡選擇更少的麥克風。實際上若采用前端方案，大部分場景下單麥克風方案也能達到雙麥方案的性能。當然多一路麥克風信號對于云端算法來說也是很重要的。
其次就是以科勝訊為代表的純前端技術架構，雙麥降噪實際上是非常成熟的方案，在智能手機和藍牙耳機上已經(jīng)廣泛應用，但是直接應用到語音交互則需要大量適配工作。純前端方案的優(yōu)點就是容易集成到芯片上，缺點就是很難升級以及擴展，這恰好與人工智能不斷迭代的趨勢不太兼容，也是當前這種方案無法流行的主要原因。
最后就是以Amazon為代表的前端+云端方案，這種方案是把算法分別放置到前端和云端，根據(jù)具體場景可以調(diào)配優(yōu)化，更容易優(yōu)化性能并擴展功能。這種方案考慮了麥克風陣列與喚醒和識別技術一體化的問題，由于喚醒和識別嚴重依賴麥克風陣列的算法處理效果，實際上這三種技術是無法完全分割的，特別是麥克風陣列和喚醒技術更是渾然一體。
所以國內(nèi)廠商開發(fā)的Amazon Alexa產(chǎn)品，若選用Sensory等提供的喚醒詞，總是會比Echo差不少，有意思的是，Alexa與Echo兩個團隊之間的互相較量，以致于產(chǎn)生了產(chǎn)品接入Alexa平臺卻要接受更差性能的尷尬。
從上面的分析來看，遠場語音交互產(chǎn)品確實比較復雜，僅僅選用麥克風陣列就有如此多的問題。那么應當如何選擇合適的麥克風陣列和技術呢？
首先還是應該從產(chǎn)品實際角度出發(fā)，先定前端方案再定后端技術，前端技術包含了麥克風陣列、喚醒和識別技術，后端技術則包含了自然語言理解和內(nèi)容服務。
前端主要解決了產(chǎn)品是否聽得準的問題，這其中有五個核心指標：遠場語音喚醒率、復雜環(huán)境 誤喚醒率、遠場語音識別率、總體延遲時間和總體穩(wěn)定性。這五個核心指標決定了用戶的第一體驗。
由于用戶無法忍受前端技術出現(xiàn)任何問題，所以前端技術的穩(wěn)定性也是至關重要，這個指標需要大規(guī)模量產(chǎn)的驗證。后端技術主要解決了產(chǎn)品是否聽得懂的問題，但是僅有自然語言理解還不夠，必須和內(nèi)容服務串聯(lián)成反饋才能達到用戶滿意的目的，事實上，產(chǎn)品的智能主要就體現(xiàn)在后端，而且涉及內(nèi)容服務，當前也僅有BAT等巨頭做的比較完善。
目前來看，全球經(jīng)過量產(chǎn)驗證的前端技術主要掌握在Amazon、Apple、科大訊飛、聲智科技等廠商手中，而后端技術特別是內(nèi)容及服務則主要被Google、Microsoft、Apple、Amazon、百度、騰訊、阿里等巨頭所掌控，思必馳和云知聲等語音識別廠商也相繼轉(zhuǎn)型發(fā)布了平臺戰(zhàn)略。
其次應該是根據(jù)應用場景選取合適的陣型，比如產(chǎn)品定位的場景是否需要360度拾音？產(chǎn)品的用戶群體大概都是什么年齡？產(chǎn)品的主要交互距離又是多少？產(chǎn)品的ID采用什么形狀？產(chǎn)品是否考慮低功耗問題？
根據(jù)這些指標，可以由專業(yè)的技術方案商提供具體方案，比較復雜的場景可能還需要定制開發(fā)，但是以當前技術進展來看，比如聲智科技已經(jīng)不再約束陣型的尺寸和結構。
最后應該是在滿足效果的前提下再考慮降低成本，這和具體場景還是有密切關系的，比如兒童故事機，由于兒童與機器之間的距離約束，成本實際上是第一考慮要素，那事實上用單麥克風方案就可以解決。對于技術實力比較雄厚的廠商，則可以兼顧成本與性能，向技術方案上定制專用麥克風陣列和優(yōu)化技術。
對于大部分產(chǎn)品廠商來說，產(chǎn)品研發(fā)速度和穩(wěn)定是第一考慮要素，那可以優(yōu)先選擇陣列的模組方案，這樣更容易集成，成本也容易控制。這樣可以讓廠商騰出更多精力專注后端智能方面的開發(fā)，當前端技術穩(wěn)定可靠后，真正體現(xiàn)產(chǎn)品差異的一定是后端技術。
亞馬遜做完Echo家族的產(chǎn)品發(fā)布會，其電商網(wǎng)站似乎只賣Echo產(chǎn)品了，而且價格幾乎腰斬，這是一個很有意思的事情。因為Amazon同時還在鼓勵Alexa的生態(tài)，力求把Alexa打造成一個AI平臺。但是從當前的窘境來看，Alexa的平臺進展似乎一直不太如意，Amazon似乎只對推廣自家產(chǎn)品更有興趣，何況Alexa還故意給產(chǎn)品開發(fā)廠商制造了很多困難。
這也很容易理解，平臺的開放和封閉本來就是難以兼容的關系，平臺的天性就是開放，而產(chǎn)品的天性容易封閉，這是兩類生態(tài)的競爭，還沒有一家公司能夠兼容并包。比如Apple依賴iPhone系列構建了封閉的平臺體系，而Google則依賴Android建立了開放的平臺體系。
以Amazon當前的表現(xiàn)來看，其走向Apple的可能性更大一些，這樣實際開放的只是內(nèi)容和服務，更像Apple的Apple Store。這也很容易理解，因為平臺需要積累大量客戶，肯定傾向于能夠帶來大量客戶的生態(tài)伙伴，若這個生態(tài)伙伴恰好還是自家的，沒有理由不扶持自家產(chǎn)品。
所以Echo持續(xù)降價，銷量不斷攀升，這個結果導致其他生態(tài)伙伴無法生存，但是從Amazon來看也不重要，因為不管用戶從哪來，其核心訴求實際上達到了。當Amazon的用戶積累到一定規(guī)模，自然也就形成了平臺優(yōu)勢，反而會給后端開發(fā)的用戶帶來盈利的空間，這樣也能形成正向的邏輯。
從正向的邏輯出發(fā)，Amazon的野心就很清晰了，這絕對是要挑戰(zhàn)其他巨頭的意思，因為一旦語音流形成，不管是搜索還是社交，Amazon絕對是有興趣染指一把的，當然電商本來就是Amazon的優(yōu)勢。所以，Amazon和Google最近在Youtube較勁也就見多不怪了，相信這個事情還會發(fā)生很多。
這對于我們國內(nèi)遠場語音交互生態(tài)有什么啟示？
這可能會影響三類廠商：產(chǎn)品廠商、前端技術提供商和后端技術提供商，后端技術提供商實際上就是平臺。其中這對前端技術方案商沒有太大影響，畢竟麥克風陣列、喚醒和識別都是一種管道型技術，同時服務于產(chǎn)品和平臺兩大廠商，其核心訴求更多是賺錢，并沒有太多其他變現(xiàn)的價值，也就是說這部分用互聯(lián)網(wǎng)思維來做也沒有什么落腳點。
但是產(chǎn)品廠商和平臺廠商就比較糾結，產(chǎn)品和平臺廠商都需要用戶，當用戶量足夠大的時候，產(chǎn)品和平臺的后端變現(xiàn)價值就會凸顯。但是實現(xiàn)這個目標都是實力的硬硬對坑，是走向開放模式還是封閉模式？開放模式必然意味著要放棄自家產(chǎn)品鼓勵生態(tài)，帶動生態(tài)伙伴一起發(fā)展。封閉模式則需要重金投入同時打造產(chǎn)品和平臺，搞不好兩敗俱傷。這是一個難題，也是一家公司的戰(zhàn)略決策，很難說哪種模式未來能夠絕對制勝，但是搖擺于兩種模式之間的廠商必然沒有發(fā)展空間。所以，很多時候，戰(zhàn)略判斷和決策才是一家公司的核心能力。
相關文章：
遠場語音交互體驗的思考：Alexa為什么不用屏幕和多輪對話？| 深度
失落的興奮，人工智能創(chuàng)業(yè)的困境與焦慮
雷峰網(wǎng)特約稿件，未經(jīng)授權禁止轉(zhuǎn)載。詳情見轉(zhuǎn)載須知。
