远场语音交互技术在其中究竟扮演了什么角色?

手机之后国外各大巨头非常罕见的步调一致的在做同一件事情:智能音箱。而这一切最初的驱动力来自于 Amazon Echo,但有意思的事情是 Amazon Echo 这产品根本没做任何的功能上的创新,听歌、看新闻、设闹钟、说笑话、控制家电等所有东西都可以在手机上找到替代品,它唯一的变化只是把语音交互的方式从近场升级为远场,并把精度和速度打磨到非常优秀的程度。

只是这么一点点变化,似乎就要创造一个无比巨大的行业,那远场语音交互为什么有这么大的威力?

语音交互等价于远场语音交互


极端的讲法是世界上并不存在一种方式叫近场语音交互,语音交互基本等价于远场语音交互。事实证明过去很多年里各种近场语音交互的尝试(比如 Siri)并没获得很好的进展,甚至简单实用的语音输入法也没能成为主流。

从应用场景来看远场和近场的核心差别是拉开和语音设备的距离后,双手再也没用了。这样和触屏就可以彻底的差异化,可以彻底的发挥语音的快捷优势。想象下面的场景:

在微信里给一个人打视频电话,如果用手机那是下面这样的过程:

如果变成远场语音,那核心步骤会变成两个:

显然在这两种场景下便利程度是完全不一样的,这种便利理论上讲在近场的情形下同样存在,但核心点在于近场时就需要挑战用户根深蒂固的触屏习惯,这很难。

触屏虽然大流行,但显然并没能在笔记本上挑战键盘鼠标的既有地位。这不单是偏好问题,也与各种应用与特定交互方式的绑定有关。触屏虽然好用,但并不能完全在 Office 上用起来,所以如果 Office 根深蒂固,那么键盘鼠标就根深蒂固。

所以我们说,语音交互基本等价于远场语音交互,一旦它真的成为主流交互方式,培养了用户习惯,那反过来才可能在近场的场景(比如近场的 Siri)下占有一席之地。

远场语音交互的核心技术

远场语音交互如果变的无处不在,那 Amazon Alexa(以及同类产品)会变成新一代的 Android,那个时候整个生态会像下面这样:

这个时候 Alexa 这样的系统同时覆盖了传统上 Android 和应用商店的角色,在其上面则会有新的今日头条、新的 O2O 等。而如果要把 Alexa 所依托的技术进行细分的话,那么基本上是三层:

  • 前端的声学部分(算法 + 阵列)
  • 识别
  • NLU

这样一来远场语音交互就正好面临一大一小两个瓶颈:

  • 第一个瓶颈是眼下就要解决的问题,即在语义仍然有限制的条件下,打造偏命令控制的产品,这个时候产品的 ID 很难拟人化(想想 Echo,Airpods 这些产品),一旦拟人用户的潜在期望就会无限拔高,你也就不可能做出非常满足用户体验的产品。
  • 第二个瓶颈则具有一定的不确定性,具有探索性质,我们仍然还不知道什么时候自然语言理解中可以体现出真的智能,但确实只有这点做了突破,并且同计算机视觉进行融合才能真的做好拟人的机器人。

而为了解决第一个瓶颈事实上需要做好的事情有两个:

  • 一个是前端声学算法软硬件的持续优化
  • 一个是通过获取的数据重新训练云端的 ASR

这个过程可以用下图橙色的部分来概括。

上述这个看着并不太长的链条其实复杂度非常高,它即跨越不同的学科(声学部分属于经典物理,识别部分则属于 CS),也需要打穿软硬件。

在算法层面只是前端就需要处理大量经典问题,比如降噪、去混响、回声抵消、Beamforming 等。加不加这些算法的音频信号差异极大,如:

而我们经常说的麦克风阵列即使抛开算法不论,单只在硬件层次上也远不是标准品:

上图是一款强调通用性的麦克风阵列,通过 USB 连接可以随便连接到笔记本、PAD、手机上进行使用。同样的阵列还可以做成线性、L 型、球形,最终的目的都是匹配特定的场景,让最终远场交互的精度最优。

如果进一步下探,那就会出现更为底层的选择,比如是用驻极体麦克风还是用 MEMS 的,是用数字的还是用模拟的。

再进一步挖掘,麦克风从特性上还可以进一步细分,比如:

所有上面这些点如果不能一一理顺,那就没法给用户输出一种综合性的体验,单点最优在远场语音交互这里价值很小,相当于必要不充分条件。只有能够综合,并且能够优化单点才真的能够解决当前产品落地中的实际问题。

技术和商业上的正反馈


几乎所有大公司都感受到了远场语音交互背后的价值,所以纷纷试水:继亚马逊、Google 之后,微软宣布了自己的智能音箱产品,预计苹果也会宣布自己的相似产品。但是远场语音交互的落地却可能比大家期望的要慢。核心点就在于技术 - 商业上的正反馈需要一定的启动周期。

显然的技术不好用,产品体验就不好;而反过来产品没销量技术就缺乏打磨的场景,内容配套也就不会跟上。这种互锁状态就会形成一个冷启动周期,在这个周期里做技术的公司打磨自己的技术,在没那么大量的产品上落地,产品公司则接受技术现实,打磨自己的产品。这样一来整个远场语音交互很可能会跑下面的曲线:

这个过程是可以和过去很多商业现实验证的,比如 2007 年 iPhone 发布,小米手机则要迟到 2011 年,这期间的 4 年可以看成是智能手机的启动期,一旦这个市场启动后则进入一个高速增长期,小米手机的销量迅速从 2012 的 700 多万台增加到 2014 年的 6000 多万台。

远场语音交互的这个技术 - 商业正反馈当前还处在非常初期的阶段,亚马逊的 Echo(各种型号)如果 2017 年的销量真的逼近 2000 万台,那基本上可以认为在美国,技术 - 商业的正反馈第一回合完成。而在国内,同品类产品销量都还处在几万、十几万量级的水平,这个技术 - 商业的正反馈远未完成。

当然这并非坏事,在格局已定的市场上,后来者是没有机会的;只有在这种充满未知的领域上,创业者才真的有颠覆性的机会。如果回退到 20 年前,联想、门户相对于现在的 BAT 都是巨无霸型公司,要资源有资源,要渠道有渠道,要人有人,但很有意思的事情是 BAT 最终崛起了。

小结

手机的触屏把很多人塑造成了低头族,远场语音交互估计会塑造出许多和机器说话的人。那时候语言不再只是人和人的交互手段。

-End-


声学在线
声学在线

产业语音识别产业边缘设备行业研究
暂无评论
暂无评论~