語音交互時代

當前，語音交互似乎正迎來爆發期，智能語音技術經歷數十年的發展，也在沉淀中走向成熟。一個明顯的趨勢是，語音識別已廣泛應用于智能手機。但業內仍有聲音唱衰智能語音市場，理由在于語音輸入的方式并不穩定，同時應用場景有所局限。智能語音市場長期給人一種屬于“大公司游戲”的既視感。而智能語音技術無非是一項工具或者技術，其普及仍需要依托一定的產業形態。

導讀

當下大量硬件產品正在尋求和提供智能語音技術公司的合作。一些個性化匹配后的智能語音識別能力，在特定的場景下帶來了更好的用戶體驗。這也推動著不同的產業圍繞著智能語音這一新的交互方式走向融合。

當羅永浩站在臺上演示基于科大訊飛(002230,股吧)智能語音技術的M1錘子手機，已經有人在舞臺外開始唱衰這一應用的前景，“兩個星期之后就會被人忘記”，一位網友在知乎上評論說。這代表了一部分人對于智能語音技術的觀點。

這種唱衰自有其道理：和語音轉文字的方式相比，直接輸入的方式已經被習慣和廣泛使用。況且，語音輸入的方式并不穩定。

智能語音識別領域似乎從來就是大公司的游戲：長期而高昂的投入，短期內難以見到回報，最終甚至可能發現缺乏實際應用的平臺。也因此，開放策略是每個著重智能語音技術研發公司的選擇。

但一個明顯的趨勢是，當下大量硬件產品正在尋求和提供智能語音技術公司的合作。一些個性化匹配后的智能語音識別能力，在特定的場景下帶來了更好的用戶體驗。這也推動著不同的產業圍繞著智能語音這一新的交互方式走向融合。

群雄逐鹿

事實上，當你打開身邊任何一款手機或者電腦，會發現智能語音技術的身影早已無處不在。無論是iPhone當中的siri，安卓手機當中的Google now，甚至是裝載了win10的PC中，Cortana被放在了尤為醒目的位置。

當你打開手里的iPhone，使用搜狗輸入法：同樣支持將語音轉換成文字。而當你使用微信，“語音輸入”也隱藏在功能欄當中。若你是一個熱衷新科技的青年，恐怕你會發現手腕上的手表、家里的音響甚至頭戴式的耳機都可以和你“對話”，并且能夠理解你發出的簡單指令。

這是一項覆蓋足夠廣的技術，但各種產品的特點和能力參差不齊。以及，其在用來擔當輸入角色時，被證明并不受到用戶足夠喜愛。就像你的手機里有siri，但用它來協助工作的用戶僅僅是少數。

在上述公司當中，誕生了智能語音技術的兩類公司，一類直接面向用戶，一類則是向企業開放服務。例如在喬布斯的遺作iPhone4s當中，首次被添加上的siri，底層的語音技術來自全球領先的語音識別軟件公司Nuance。

這兩類企業也在國內外形成了各自代表，例如國內的To C端的百度、搜狗、出門問問、微軟旗下小冰和Cortana等，而在To B端則集結了科大訊飛、云知聲、思必馳以及國外的Nuance等。

但無論面向哪一端，一項智能語音技術難以繞過的指標是準確率。好消息是，目前無論科大訊飛抑或是微軟，其語音識別的準確度在近年來均在不斷提升，其中微軟在10月18日宣布，微軟進一步將詞錯率降低至5.9%。

但技術瓶頸仍舊存在。一方面，在嘈雜等環境下，目前智能語音識別準確度將大打折扣，另一方面，則是準確度提升的天花板。事實上，語音識別技術在過去十年準確度進步突飛猛進，但再度提升難度越來越大。

鮮有創業公司在智能語音這項技術當中扮演重要角色。甚至，智能語音當前也并未成為投資人所追逐的熱點風口：和人才相比，智能語音市場從來不是一個強資本的領域。

“投資智能語音技術并非不是好選擇，只是可投資的選擇相對較少。”創新工場前投資經理孫志超告訴21世紀經濟報道記者，其認為在智能語音技術市場，“投資最好的那家就夠了。”此外，多位投資人士告訴21世紀經濟報道記者，當前來看，智能語音技術難以成為風口。無論和前兩年的O2O市場抑或是今年的直播領域比起來，智能語音技術創業的進入門檻都較高。

也正是由于門檻較高，智能語音市場長期給人一種屬于“大公司游戲”的既視感。一方面源自這一技術需要長期的大量投入，而且往往難以在短期帶來回報，對于微軟等公司來說，承擔這一角色的是研究院而非公司部門;另一方面則是由于智能語音技術需要技術儲備和大量數據積累，大公司往往在其中擁有優勢。

出門問問是一家典型的To C人工智能公司，其將智能語音技術和各項硬件產品結合了起來。出門問問CEO李志飛在采訪中告訴21世紀經濟報道記者，作為創業者，面臨的行業對手往往是企業當中的某個部門。其時常被問到的問題是，該如何應對來自例如百度這樣公司的競爭。

產業融合

部分公司選擇利用資本的方式來縮小同對手的差距。亞馬遜推出的Echo是一款基于智能語音技術的產品。和微軟等公司相比，亞馬遜發力語音技術時間較晚，不過自2011年以來，亞馬遜收購了大量語音公司。

但并非所有人認同資本運作的方式來切入市場。科大訊飛董事長劉慶峰在接受采訪中告訴21世紀經濟報道記者，其認為通過資本并購等手段來發展人工智能的手段并不可取，劉慶峰認為科大訊飛應定義為一家“華為式”的公司。事實上也是如此，科大訊飛發展過程中僅接受過極少數投資方注資。

在亞馬遜收購的一系列公司當中，包括語音公司Yap、語音技術公司Evi，研究語音轉文字和強化語音識別在商品搜索上的應用，以及于2013年收購波蘭語音技術公司Ivona Software。這和Echo的產品定位有關系。

Echo本身是亞馬遜推出的一個音響，但亞馬遜在其中接入了各項服務，例如通過語音交互的方式來購買商品。因此，其并不單純追求語音識別的準確性，而是著重定位在購買服務相關。

此舉在國內也迎來效仿者。例如京東智能和科大訊飛此前合資成立了一家公司“靈隆科技”，該公司同樣推出了一款智能音響，用戶能夠利用音響來進行叫車、下單購買商品等。此外比較有中國特色的是，靈隆科技將為平臺第三方服務商提供補貼，以吸引入駐平臺。

長期來看，智能語音技術無非是一項工具或者技術。但其普及需要依托一定的產業形態。

李志飛告訴21世紀經濟報道記者，其認為人工智能研發應當脫離實驗室，在尋求落地過程中不斷完善技術。目前出門問問在車載后視鏡、智能手表領域均推出設備。此外，出門問問本身也是集中在解決用戶出行等相關需求等，而非單純的智能語音識別。

Fill是汪峰擔任董事長的一家耳機公司，該公司CTO鄔寧告訴21世紀經濟報道記者，其選擇和目前已經成熟的智能語音廠商達成合作，在Fill旗下的耳機產品當中加入語音識別功能。鄔寧認為，目前市場上已經有成熟的智能語音解決方案，但是否能夠對接好，同樣考驗硬件廠商的功力。

越來越多的硬件廠商尋求和智能語音廠商的對接。但也有出門問問這樣的公司，選擇自己操刀軟硬件。

如此來看，利用智能語音識別技術來進行手機輸入還僅僅是一個初步的嘗試。由于目前已經有成熟的手機輸入方案，智能策略也并未給用戶帶來顛覆式的變革。因此，或許可以借鑒亞馬遜在Echo上的做法，直接砍掉語音交互之外的任何方式，以培養用戶使用語音交互的習慣。

可以預見，智能語音技術和其他產業，尤其是硬件產品的結合仍在朝著更加深入的方向發展。本報記者 汪傳鴻北京報道