語音識別的產(chǎn)業(yè)歷程
語音識別這半個多世紀的產(chǎn)業(yè)歷程中，其中共有三個關(guān)鍵節(jié)點，兩個和技術(shù)有關(guān)，一個和應(yīng)用有關(guān)。第一個關(guān)鍵節(jié)點是 1988 年的一篇博士論文，開發(fā)了第一個基于隱馬爾科夫模型（HMM）的語音識別系統(tǒng)—— Sphinx，當時實現(xiàn)這一系統(tǒng)的正是現(xiàn)在的著名投資人李開復。

從 1986 年到 2010 年，雖然混合高斯模型效果得到持續(xù)改善，而被應(yīng)用到語音識別中，并且確實提升了語音識別的效果，但實際上語音識別已經(jīng)遭遇了技術(shù)天花板，識別的準確率很難超過 90%。很多人可能還記得，在 1998 年前后 IBM、微軟都曾經(jīng)推出和語音識別相關(guān)的軟件，但最終并未取得成功。

第二個關(guān)鍵節(jié)點是 2009 年深度學習被系統(tǒng)應(yīng)用到語音識別領(lǐng)域中。這導致識別的精度再次大幅提升，最終突破 90%，并且在標準環(huán)境下逼近 98%。有意思的是，盡管技術(shù)取得了突破，也涌現(xiàn)出了一些與此相關(guān)的產(chǎn)品，比如 Siri、Google Assistant 等，但與其引起的關(guān)注度相比，這些產(chǎn)品實際取得的成績則要遜色得多。Siri 剛一面世的時候，時任 Google CEO 的施密特就高呼，這會對 Google 的搜索業(yè)務(wù)產(chǎn)生根本性威脅，但事實上直到 Amazon Echo 的面世，這種根本性威脅才真的有了具體的載體。

第三個關(guān)鍵點正是 Amazon Echo 的出現(xiàn)，純粹從語音識別和自然語言理解的技術(shù)乃至功能的視角看這款產(chǎn)品，相對于 Siri 等并未有什么本質(zhì)性改變，核心變化只是把近場語音交互變成了遠場語音交互。Echo 正式面世于2015年6月，到 2017 年銷量已經(jīng)超過千萬，同時在 Echo 上扮演類似 Siri 角色的 Alexa 漸成生態(tài)，其后臺的第三方技能已經(jīng)突破 10000 項。借助落地時從近場到遠場的突破，亞馬遜一舉從這個賽道的落后者變?yōu)樾袠I(yè)領(lǐng)導者。

但自從遠場語音技術(shù)規(guī)模落地以后，語音識別領(lǐng)域的產(chǎn)業(yè)競爭已經(jīng)開始從研發(fā)轉(zhuǎn)為應(yīng)用。研發(fā)比的是標準環(huán)境下純粹的算法誰更有優(yōu)勢，而應(yīng)用比較的是在真實場景下誰的技術(shù)更能產(chǎn)生優(yōu)異的用戶體驗，而一旦比拼真實場景下的體驗，語音識別便失去獨立存在的價值，更多作為產(chǎn)品體驗的一個環(huán)節(jié)而存在。

所以到 2019 年，語音識別似乎進入了一個相對平靜期，全球產(chǎn)業(yè)界的主要參與者們，包括亞馬遜、谷歌、微軟、蘋果、百度、科大訊飛、阿里、騰訊、云知聲、思必馳、聲智等公司，在一路狂奔過后紛紛開始反思自己的定位和下一步的打法。

語音賽道里的標志產(chǎn)品——智能音箱，以一種大躍進的姿態(tài)出現(xiàn)在大眾面前。2016 年以前，智能音箱玩家們對這款產(chǎn)品的認識還都停留在：亞馬遜出了一款叫 Echo 的產(chǎn)品，功能和 Siri 類似。先行者科大訊飛叮咚音箱的出師不利，更是加重了其它人的觀望心態(tài)。真正讓眾多玩家從觀望轉(zhuǎn)為積極參與的轉(zhuǎn)折點是逐步曝光的 Echo 銷量，2016 年底，Echo 近千萬的美國銷量讓整個世界震驚。這是智能設(shè)備從未達到過的高點，在 Echo 以前除了 Apple Watch 與手環(huán)，像恒溫器、攝像頭這樣的產(chǎn)品突破百萬銷量已是驚人表現(xiàn)。這種銷量以及智能音箱的 AI 屬性促使 2016 年下半年，國內(nèi)各大巨頭幾乎是同時轉(zhuǎn)變態(tài)度，積極打造自己的智能音箱。

未來，回看整個發(fā)展歷程，2019 年是一個明確的分界點。在此之前，全行業(yè)是突飛猛進，但 2019 年之后則開始進入對細節(jié)領(lǐng)域滲透和打磨的階段，人們關(guān)注的焦點也不再是單純的技術(shù)指標，而是回歸到體驗，回歸到一種“新的交互方式到底能給我們帶來什么價值”這樣更為一般的、純粹的商業(yè)視角。技術(shù)到產(chǎn)品再到是否需要與具體的形象進行交互結(jié)合，比如人物形象；流程自動化是否要與語音結(jié)合；酒店場景應(yīng)該如何使用這種技術(shù)來提升體驗，諸如此類最終都會一一呈現(xiàn)在從業(yè)者面前。而此時行業(yè)的主角也會從原來的產(chǎn)品方過渡到平臺提供方，AIoT 縱深過大，沒有任何一個公司可以全線打造所有的產(chǎn)品。

語音識別的產(chǎn)業(yè)趨勢
當語音產(chǎn)業(yè)需求四處開花的同時，行業(yè)的發(fā)展速度反過來會受限于平臺服務(wù)商的供給能力。跳出具體案例來看，行業(yè)下一步發(fā)展的本質(zhì)邏輯是：在具體每個點的投入產(chǎn)出是否達到一個普遍接受的界限。

離這個界限越近，行業(yè)就越會接近滾雪球式發(fā)展的臨界點，否則整體增速就會相對平緩。不管是家居、酒店、金融、教育或者其他場景，如果解決問題都是非常高投入并且長周期的事情，那對此承擔成本的一方就會猶豫，這相當于試錯成本過高。如果投入后，沒有可感知的新體驗或者銷量促進，那對此承擔成本的一方也會猶豫，顯然這會影響值不值得上的判斷。而這兩個事情，歸根結(jié)底都必須由平臺方解決，產(chǎn)品方或者解決方案方對此無能為力，這是由智能語音交互的基礎(chǔ)技術(shù)特征所決定。

從核心技術(shù)來看，整個語音交互鏈條有五項單點技術(shù)：喚醒、麥克風陣列、語音識別、自然語言處理、語音合成，其它技術(shù)點比如聲紋識別、哭聲檢測等數(shù)十項技術(shù)通用性略弱，但分別出現(xiàn)在不同的場景下，并會在特定場景下成為關(guān)鍵。看起來關(guān)聯(lián)的技術(shù)已經(jīng)相對龐雜，但切換到商業(yè)視角我們就會發(fā)現(xiàn)，找到這些技術(shù)距離打造一款體驗上佳的產(chǎn)品仍然有絕大距離。

所有語音交互產(chǎn)品都是端到端打通的產(chǎn)品，如果每家廠商都從這些基礎(chǔ)技術(shù)來打造產(chǎn)品，那就每家都要建立自己云服務(wù)穩(wěn)定，確保響應(yīng)速度，適配自己所選擇的硬件平臺，逐項整合具體的內(nèi)容（比如音樂、有聲讀物）。這從產(chǎn)品方或者解決方案商的視角來看是不可接受的。這時候就會催生相應(yīng)的平臺服務(wù)商，它要同時解決技術(shù)、內(nèi)容接入和工程細節(jié)等問題，最終達成試錯成本低、體驗卻足夠好的目標。

平臺服務(wù)并不需要閉門造車，平臺服務(wù)的前提是要有能屏蔽產(chǎn)品差異的操作系統(tǒng)，這是 AI+IOT 的特征，也是有所參照的，亞馬遜過去近 10 年里是同步著手做兩件事：一個是持續(xù)推出面向終端用戶的產(chǎn)品，比如 Echo，Echo Show等；一個是把所有產(chǎn)品所內(nèi)置的系統(tǒng) Alexa 進行平臺化，面向設(shè)備端和技能端同步開放SDK和調(diào)試發(fā)布平臺。雖然 Google Assistant 號稱單點技術(shù)更為領(lǐng)先，但從各方面的結(jié)果來看 Alexa 是當之無愧的最為領(lǐng)先的系統(tǒng)平臺，可惜的是 Alexa 并不支持中文以及相應(yīng)的后臺服務(wù)。

國內(nèi)則缺乏亞馬遜這種統(tǒng)治力的系統(tǒng)平臺提供商，當前的平臺提供商分為兩個陣營：一類是以百度、阿里、訊飛、小米、騰訊為代表的傳統(tǒng)互聯(lián)網(wǎng)或者上市公司；一類是以聲智等為代表的新興人工智能公司。新興的人工智能公司相比傳統(tǒng)公司產(chǎn)品和服務(wù)上的歷史包袱更輕，因此在平臺服務(wù)上反倒是可以主推一些更為面向未來、有特色的基礎(chǔ)服務(wù)，比如兼容性方面新興公司做的會更加徹底，這種兼容性對于一套產(chǎn)品同時覆蓋國內(nèi)國外市場是相當有利的。

類比過去的 Android，語音交互的平臺提供商們其實面臨更大的挑戰(zhàn)，發(fā)展過程可能會更加的曲折。過去經(jīng)常被提到的操作系統(tǒng)的概念在智能語音交互背景下事實上正被賦予新的內(nèi)涵，它日益被分成兩個不同但必須緊密結(jié)合的部分。

過去的 Linux 以及各種變種承擔的是功能型操作系統(tǒng)的角色，而以 Alexa 為代表的新型系統(tǒng)則承擔的則是智能型系統(tǒng)的角色。前者完成完整的硬件和資源的抽象和管理，后者則讓這些硬件以及資源得到具體的應(yīng)用，兩者相結(jié)合才能輸出最終用戶可感知的體驗。功能型操作系統(tǒng)和智能型操作系統(tǒng)注定是一種一對多的關(guān)系，不同的 AIoT 硬件產(chǎn)品在傳感器（深度攝像頭、雷達等）、顯示器上（有屏、無屏、小屏、大屏等）具有巨大差異，這會導致功能型系統(tǒng)的持續(xù)分化（可以和 Linux 的分化相對應(yīng)）。這反過來也就意味著一套智能型系統(tǒng)，必須同時解決與功能型系統(tǒng)的適配以及對不同后端內(nèi)容以及場景進行支撐的雙重責任。

這兩邊在操作上，屬性具有巨大差異。解決前者需要參與到傳統(tǒng)的產(chǎn)品生產(chǎn)制造鏈條中去，而解決后者則更像應(yīng)用商店的開發(fā)者。這里面蘊含著巨大的挑戰(zhàn)和機遇。在過去功能型操作系統(tǒng)的打造過程中，國內(nèi)的程序員們更多的是使用者的角色，但智能型操作系統(tǒng)雖然也可以參照其他，但這次必須自己來從頭打造完整的系統(tǒng)。（國外巨頭不管在中文相關(guān)的技術(shù)上還是內(nèi)容整合上事實上都非常薄弱，不存在侵略國內(nèi)市場的可能性）

隨著平臺服務(wù)商兩邊的問題解決的越來越好，基礎(chǔ)的計算模式則會逐漸發(fā)生改變，人們的數(shù)據(jù)消費模式會與今天不同。個人的計算設(shè)備（當前主要是手機、筆記本、Pad）會根據(jù)不同場景進一步分化。比如在車上、家里、酒店、工作場景、路上、業(yè)務(wù)辦理等會根據(jù)地點和業(yè)務(wù)進行分化。但分化的同時背后的服務(wù)則是統(tǒng)一的，每個人可以自由的根據(jù)場景做設(shè)備的遷移，背后的服務(wù)雖然會針對不同的場景進行優(yōu)化，但在個人偏好這樣的點上則是統(tǒng)一的。

人與數(shù)字世界的接口，在現(xiàn)在越來越統(tǒng)一于具體的產(chǎn)品形態(tài)（比如手機），但隨著智能型系統(tǒng)的出現(xiàn)，這種統(tǒng)一則會越來越統(tǒng)一于系統(tǒng)本身。作為結(jié)果這會帶來數(shù)據(jù)化程度的持續(xù)加深，我們越來越接近一個百分百數(shù)據(jù)化的世界。

總結(jié)
從技術(shù)進展和產(chǎn)業(yè)發(fā)展來看，語音識別雖然還不能解決無限制場景、無限制人群的通用識別問題，但是已經(jīng)能夠在各個真實場景中普遍應(yīng)用并且得到規(guī)模驗證。更進一步的是，技術(shù)和產(chǎn)業(yè)之間形成了比較好的正向迭代效應(yīng)，落地場景越多，得到的真實數(shù)據(jù)越多，挖掘的用戶需求也更準確，這幫助了語音識別技術(shù)快速進步，也基本滿足了產(chǎn)業(yè)需求，解決了很多實際問題，這也是語音識別相對其他 AI 技術(shù)最為明顯的優(yōu)勢。

不過，我們也要看到，語音識別的內(nèi)涵必須不斷擴展，狹義語音識別必須走向廣義語音識別，致力于讓機器聽懂人類語言，這才能將語音識別研究帶到更高維度。我們相信，多技術(shù)、多學科、多傳感的融合化將是未來人工智能發(fā)展的主流趨勢。在這種趨勢下，我們還有很多未來的問題需要探討，比如鍵盤、鼠標、觸摸屏和語音交互的關(guān)系怎么變化？搜索、電商、社交是否再次重構(gòu)？硬件是否逆襲變得比軟件更加重要？產(chǎn)業(yè)鏈中的傳感、芯片、操作系統(tǒng)、產(chǎn)品和內(nèi)容廠商之間的關(guān)系又該如何變化？

本文得到眾多語音識別領(lǐng)域?qū)＜业闹笇В�并引用了一些參考資料的配圖，在此表示感謝，本文中的不足之處還請批評指正。

來源：巨靈鳥 歡迎分享本文