AI远场语音：产品经理们共谋的美好泡沫

智能家居，一个极具诱惑力的概念，背后是物联网（IoT）这个更有杀伤力的愿景。据国际数据公司估计，连接至互联网的设备数量从2016年的110亿台，将激增至2025年的800亿台，届时，每年将产生180泽字节的数据，远高于2013年的每年4.4泽字节和2020年的每年44泽字节 ，增长数据贡献最大的已经未必是手机，而是智能音箱、智能电视、智能穿戴、智能投影仪等多种IoT设备。

智能投影中的AI语音应用，快速寻找匹配的电影

all in AIoT的雷军认为，作为下一代超级互联网的物联网。未来可以达成所有家庭设备互联互通，用语音和人工智能来进行交互，这是未来10年全球最重要的科技发展趋势。但我们也要看到，自13年IoT概念兴起至今发展速度并不快，B端来说智慧地产、IoT企业套件等依旧遵循试点推进的稳节奏；C端则稍胜一筹，家庭场景和智慧酒店中多点开花，智能电视、智能音箱及手表市场表现不俗。究其核心，目前的智能家居体验仍是以多传感器为基础，以语音能力为主体，语音交互称得上是最有存在感的IoT应用。

语音交互解决了什么问题，为何风靡一时？

从根本出发来考虑，语音交互几乎和手势一样，是人类最自然的交互方式之一，通过声音与朋友家人交流、与客户同事沟通都是人类自古以来的通用场景。语音能够传达的细节相当丰富，其中蕴含了大量语义、情绪以及未尽之意，信息浓度非常高。因此，也可以说语音交互技术是让机器听懂世界的技术。

如今的语音交互虽然囊括了大部分场景对话，但还有更多复杂场景的问题需要解决 —— 听懂人类情感是非常复杂的过程，这涉及到情感识别、语义切分、声纹识别等等，对IoT算法提出了巨大的挑战。但是，语音交互所带来的便利性与炫酷感也是显而易见的 —— 所说即所得的效果带来几乎形似“私人管家”的体验感，这种共通的向往甚至蔓延到了文艺圈，语音助手在科幻电影中也是常客。

钢铁侠中的贾维斯令人印象深刻

在今天的现实生活中，语音交互做到了什么程度呢？在安防、金融、医疗、教育、呼叫中心等2B特定场景中，语音交互已经有了一定的应用，对特定领域的识别效果可以针对性优化，电话客服就是一个最好的例子，但更多的案例都隐藏在大众认知背后；2C代表领域的智能家居、无人驾驶、家庭机器人等则更受舆论重视，其中的曲折也更值得玩味。

Siri：从过去的智障，到如今的抖机灵

在语音交互的大众认知历史中，里程碑事件大概就是苹果Siri语音助手的发布，它正式让这一项技术进入了大众讨论范畴，但也引入了更多的跟风者。在智能手机与智能音箱大潮中，虽然用户对语音助手的了解越来越多，但使用率并不高。一项报告显示，65%的受访者表示从未或几乎没有使用过Siri、Google Assistant、Alexa等语音助手，经常使用语音助手的受访者不足三成（29%），但在经常使用语音助手的消费群体中，智能语音的使用率提高到了42%。

经过多年的演进，智能家居场景作为私人空间，同时也是效率要求较低的地方，成为了语音交互的最佳落地场景。语音方面表现最好的手机与电视，基本都采用近场按键识别为第一方案，如iPhone上的Siri、小米手机上的小爱同学以及笔者用的最多的极米智能投影通过遥控器实现的AI智能语音交互等。他们没有贸然使用不稳定的技术，更多精力放在语义分析与优化上；而远场语音代表（如智能音箱）目前则以人工智障闻名，虽然理论上想象空间最大前景最好，但技术障碍尚未攻克，好的落地项目还是以特定场景和2B定制化为主。

为什么语音交互这么难？

首先需要认识到，语音交互的核心语音识别是非常复杂的学科，需要具备生理学、声学、信号处理、计算机科学、模式识别、语言学、心理学等多个交叉学科的知识。其相关研究是个漫长而且艰难的过程，它的发展可以追溯到20世纪50年代贝尔实验室的成果，最初的方案还只能识别单个数字，今时今日已经今非昔比。

在目前的技术演进态势下，近场按键实现语音唤醒（VT）作为最靠谱的技术，在手机、手表、电视以及投影遥控器等多个设备上已进入普及阶段，尤其是在智能电视以及智能投影上搜索筛选心爱节目的应用最为经典。值得注意的是，无法理解上一代抽象按钮交互的人群 —— 如老人与孩子，作为移动互联网下半场的主要受众，能够更快的接受语音交互，这或许也是语音交互重大意义的一个佐证。打开极米智能投影，无需复杂的操作，按下遥控器上的语音按钮，就可以轻松跳转到内容中直接观看，比如“我要看CCTV-5”，极米智能投影就可以自动进入电视直播当中，并跳转到CCTV-5频道下。

语音与手势一样，自然而顺畅

既然明知道“人工智障”不讨喜，为什么大家还要挤破头，期待自己是那个幸运儿？产品经理们对于噱头和实用之间权衡的心理把控，最终造成了市面上“远场语音”概念与产品泛滥，罔顾其实际效果的不尽人意。这在商业策略上来说，可以用一句老话概括：超前一步是天才，超前两步是烈士。

那么难点究竟何在？

而今远场语音识别概念风靡，根据百度的定义，3m到5m的距离就可以称之为远场，常见的会议室、车载、家居环境都可以算是。若没有特意离麦克风很近，处于自然说话、由远端麦克风拾音的状态下，都可以认为是远场识别场景。在远场环境下，为了更好地获取目标语音信号，需要解决的问题包括但不限于：

（1）清晰的捕捉到目标语音信号并提取出来；

（2）捕捉到多目标语音信号并区分开来；

（3）尽可能地减少无效噪声，减小干扰源的影响；

简单来说就是 去混响、降噪、回声消除。面对多问题复杂化的情况，目前市面上的解决方案为两种：一是依靠麦克风阵列，二是纯粹依靠深度学习算法解决问题的流派，不过从目前的产品来看，在语言前端处理模块上，主流方式还是利用麦克风阵列的处理方式，且目前行业内采用的以双麦居多，可以认为是成本和效果的综合衡量。

麦克风阵列技术指的是由一定数目（例如：Echo采用7个麦克风，叮咚采用8个麦克风， Google home用了2个麦克风）的麦克风组成，用来对声场的空间特性进行采样并处理的系统。使用麦克风阵列可以实现声源定位，实现声源信号的提取和分离，对语音信号进行增强，同时实现去混响效果。但当信号采集通道数足够多时，需要额外研发多通道同步技术。限于技术与成本原因，目前消费电子上很少有集成多个麦克风的情况，相关研究成果很少，这也增加了该硬件方案的研发难度。

然而，麦克风阵列方案遇到的问题同样很多：信噪比低、封闭环境的混响问题，多人说话也即常说的“鸡尾酒会问题”，以及设备而引起的回声消除（回声指的是音响播放的声音，又会回传给麦克风）

当一个问题的解决方案引进了更多问题，且还没有很好的收敛，它未能普及就可以理解了。在成熟的近场按键语音交互方案中，到达方向估计（DOA）和波束生成（BF）都不再是难以解决的瓶颈，前端增强问题就解决了一大半。

举个例子，在极米智能投影的语音交互流程中，遥控器上的语音按键被按下激活，可以在定向收音和语义理解方面都做对应的准备，不必担心唤醒率与识别率，不必让用户反复说出诸如小爱同学这种特定的唤醒词，且可以快速定位到用户需要的内容上，并做智能推荐。毕竟，我们正常人类的对话过程中，不会有人每说一句话就要喊对方一次名字，效率低也显得傻。

我们可以期待什么？

智能家居中的语音助手可以拥有的前景有多美好，其实电影中都告诉我们了。寒冷的冬天，避免爬起来关闭各种开关，避免反复上下温暖的床，只需要说一声 —— 这个意义当然相当重大。对于商务场景来说，在合适的时间提醒合适的事情，提前铺垫一切、私有助手尊享服务的感觉也让人不得不动心。

懒惰使人类进步，随着技术的演进，远场语音识别必然成为主流，也许这个时间就在三年内，只不过，此时此刻按键识别体验的仍旧大大优于人工智障们，我们可以拭目以待。哦，《Her》当中可以谈恋爱的那款，估计暂时咱们指望不上……

值得期待的是，各家领头产品都在发力，Amazon与google持续角力， Echo的未来更新甚至与游戏圈跨界，google I/O 2020永远是重头戏；国内百度与科大讯飞作为c端的领头羊也没有懈怠，百度在19年底的新方案声称采用“基于复数的卷积神经网络”，同时实现了前端声源定位、波束形成和增强特征提取，相比google获得了错误率超过30%以上的降低。

或许我们可以拭目以待， 国内的Duer OS、iFlyOS与小艺、vivoice、极米等在未来提供更智慧更自然的语音交互体验了。