語音：人機交互的新革命

語言的創(chuàng)造是人類的一個拐點，最初，語言是控制桿，它將我們的思想轉化為工具。后來，我們適應工具，把我們的表達轉化成TA的語言。今天，我們正在讓工具生命化，變成耳提面命的助手。這個漫長故事的核心在于：我們與工具如何互動。蘋果iPhone 4S的發(fā)布著實讓Siri火了一把，人機交互的革命史又翻開了新的篇章，但是Siri并不完美，尤其對于國人來說，不支持中文是最大的不足，不過這也給其他廠商留下了機會，其中科大訊飛的語音技術最為搶眼，也使其成為了這場人機交互新革命有力的推動者之一。

前谷歌中國的高級研究員、《浪潮之巔》的作者吳軍老師在微博里半開玩笑半地說：“語音識別（在產品上）忽悠人從90年代開始，大約每十年一個周期，最后的結果相同，就是大家發(fā)現這是個玩具，而不是工具。第一波人長大了，走了，對科技不敏感了，第二波人當時還在上中小學，沒上過當，現在趕著來試一試。如此反復。不過我相信最后有一次不再是忽悠人，但是不是現在這一次？”

語音技術+移動終端=？

換個角度，在PC時代，為什么語音就從來沒有成為過主流的人機交互方式？

雖然代表性的產品如IBM的ViaVoice已經達到了很高的識別水平。中文識別的準確率達到了95%以上，還能識別多種方言，每分鐘輸入150字。但它并沒有能成為一款打動大眾消費者的產品。

中國最大的語音技術廠商科大訊飛，長期只能在一個幾十億規(guī)模的B2B市場里打拼。在機器合成語音市場，訊飛流暢、達到播音員水準的語音產品已經占到了70%以上的份額。今天大多數企業(yè)客戶服務中心的人工語音服務，都是采用科大訊飛的技術。

但這又怎樣？PC是一個固定的環(huán)境，人們早已經習慣了鍵盤+鼠標的交互方式。大多數人已經習慣于鍵盤打字而不是講話，因此，語音控制面臨Dvorak鍵盤布局同樣的應用障礙。當簡單的老式QWERTY鍵盤供貨充足并且工作的很好的時候，為什么要學習使用Dvorak鍵盤呢？

更要命的是，任何一款語音識別軟件都需要大量的訓練以便識別用戶的語音特征，來提高準確性。有多少人會天天對著一臺電腦喃喃自語呢？

語音技術更廣泛的普及需要兩件事情：更好更方便的應用和主要使用語音的生活場景。而移動互聯(lián)網的勃興正好滿足了這些條件：

第一， 智能終端屏幕較小，手指輸入的準確率和速度都要低于PC，這是移動互聯(lián)網必須要面對的物理局限。

第二， 移動互聯(lián)網終端有眾多的傳感器，就像人的感官，為人機交互和生活化應用創(chuàng)造了條件。

第三， 移動互聯(lián)網使得語音識別公司采集海量語料成為可能，通過應用可以讓交互更頻繁，加快機器學習速度，改進用戶體驗。

所以，當siri遇到iPhone，奇妙的化學作用發(fā)生了，一個沉寂幾十年的雞肋技術活了。

用戶到底要什么？

我老媽從來沒有理解過智能手機，她只會打電話，不會發(fā)短信，更不用說其它應用。直到我的安卓手機裝上了訊飛語音輸入法。當我對著手機說出“吃葡萄不吐皮”的繞口令，并發(fā)出短信之時，她拿著自己500塊錢的諾基亞問我：“我這個上面能用嗎？”

這就是用戶的需求，當然是最原始的那一種。

你如果看過好萊塢大導演斯皮爾伯格的電影《A I》，相信會對人工智能有一定了解，通過人工智能技術，機器人可以把“對話、自然語言理解、視覺、演說、機器學習、制定計劃、理性思考、服務代表全部融合到一起”。Siri的技術正源自人工智能。事實上，Siri讓我們看到了人機互動的一種全新可能。語言，從來都被看做是人類特有的技能，而一夕之間，一部手機擁有了這樣的能力，科幻變成現實的日子呼之欲出。

更重要的是，當機器有一天能夠真正理解人類的語言，并做出回應，世界打開了無限的想象空間。

說一個人名，手機就會從冗長的通訊錄中找到他；語音操控汽車、語音搜索地圖、語音尋找酒店；未來，在辦公室里對手機說一句話，家里的廚房就開始烹飪……

好吧，我承認我的想象力還不夠豐富。

“移動互聯(lián)網融入了人們的生活，人們可以在任何時間任何地點接入互聯(lián)網，也可以享受互聯(lián)網輔助的各種生活服務。在移動互聯(lián)網時代，互聯(lián)網服務和生活服務的界限在消失。”名叫采銅的專業(yè)人士在知乎網站上回答“Siri會不會是一個革命？”時認為：“在服務互聯(lián)網化的時代，語音將解放人們的雙手，降低了移動互聯(lián)網的使用門檻，讓輸入更便捷，服務效率更高，從而成為“移動互聯(lián)網發(fā)展的一個里程碑”。

下這樣的結論也許還為時略早。但看看中國大公司們的動作吧。騰訊在微信中推出語音消息、搜狐和新浪在微博中嵌入語音微博服務，百度發(fā)布語音搜素、大眾點評的語音訂餐……

這說明什么？只有一種可能：趨勢。

想想我們人類自己吧，我們能夠克服自己基因中的惰性嗎？

誰更懂中文？

我們有理由著迷于Siri，無論是因為調戲它的樂趣，還是因為對蘋果的崇拜。

但創(chuàng)新工廠的創(chuàng)始人李開復老師坦言：“分析蘋果Siri：1）語音識別夠精確，但語義理解困難，2）語義理解靠自然語言分析不夠，需要海量語料和反饋自動學習，3）Siri可用度不足，蘋果利用“調戲”獲取語料，學習后可提升可用度，4）防噪仍是問題，蘋果靠4S特殊硬件，5）應用結合困難，適合蘋果封閉系統(tǒng)，6）用戶對助手有“人智慧”的過高期望。”

所以，新iPad上還只有語音輸入技術，沒有Siri。

更何況，我們還不得不面對一個繞不開的問題：它目前不會講中文。

不要忘記了那些美國互聯(lián)網巨頭在中國的失敗，亞馬遜、谷歌、Groupon，還有根本進不來的“非死不可”（Facebook）和推特。只有懂中國話，才有成功的可能，這是中國留給驕傲巨頭們的教訓，語言更是如此。

算算中文里僅一個“我”有多少種說法吧。這樣的段子在網上很容易找到。面對全世界最復雜的語言——中文，您相信一家美國公司能在短時間內攻克嗎？反正我是不信的。

Siri代表了語音交互技術的一個方向，但它不一定是中文語音識別的未來。

那么我們現在創(chuàng)業(yè)做一家中國的Siri怎么樣？創(chuàng)新工廠的李開復老師在微博上提出了四點質疑：1）智能手機主界面是手觸，語音助手解決了什么真正用戶需求和痛處？2）如何克服后臺海量數據學習技術門檻？全球只有一個公司有這個技術。3）應用誰開發(fā)？自己開發(fā)難擴張，用別人的應用整合不佳影響體驗，4）語音服務器和帶寬成本較大，如何克服？

你能接住他這又一盆冷水嗎？

“語音技術是一個典型的交叉科學，涉及到很多方面，不是說有錢就能做的，是有相當高的門檻。你可以去APP下載一個我們的軟件體驗一下”?？拼笥嶏w副總江濤坦言。

作為A股上市公司，訊飛起家于商業(yè)應用。而更多普通人認識訊飛，還是從訊飛語音輸入法開始的。在沒有大規(guī)模推廣的情況下，安卓版訊飛輸入法的下載量已經突破千萬次，達到了與QQ輸入法、百度輸入法相同的數量級。在蘋果主導的iOS平臺上，用語音發(fā)短信的訊飛口訊也一直名列APP排行榜前列。

訊飛憑什么？

語音識別技術的核心競爭力在于識別率，這是毋庸置疑的事情。訊飛有效利用了自己在國內的先發(fā)優(yōu)勢，率先推出了語音云服務，將數據的上下行打通。在推出訊飛語音輸入法的同時，與騰訊、新浪、點評等第三方公司展開技術合作，積累了2500萬以上的用戶。

用戶體驗語音服務的最初動力是好玩兒，而非實用。Siri的調戲其實同樣意在快速擴充語音數據庫，提高機器識別率。據科大訊飛副總裁江濤介紹，在語音云推出的一年時間里，訊飛的系統(tǒng)識別率從60%提高到了85%，日常用語識別率超過95%。這也是移動互聯(lián)網帶來的改變。

科大訊飛目前通過兩種方式來培育語音識別業(yè)務，一是開發(fā)自身的產品訊飛口訊和訊飛語音輸入法，發(fā)展語音云、豐富數據庫，公司語音輸入法目前對標準普通話的識別正確率已提升到95%以上；二是向應用軟件開發(fā)商們開放語音云平臺接入，目前包括挖財在內的理財記賬軟件、凱立德在內的地圖軟件，都已內置了科大訊飛的語音識別功能。

經過一年半的低調完善，現在訊飛即將發(fā)布新的語音云系統(tǒng)。更重要的是，訊飛要免費打開自己的云接口，讓更多開發(fā)者來免費使用開發(fā)應用。本次發(fā)布的新系統(tǒng)加入了大量個性化服務，比如方言識別、注冊用戶的個性化語言識別等。

新一代的語音產品不可能僅僅滿足于簡單的搜索和語音識別。它能夠自主分析用戶發(fā)出的口語指令，并給出確切的回應和指導，完全不需要用戶預選學習使用方法。換句話說，它將是具有“人智慧”的語音助手。

從一家B2B的產品公司，到一家提供云服務的B2C產品公司，這是科大訊飛的一次質變。

回到李開復四問中的第二問，他也許錯了。世界上邁過了后臺海量數據學習技術門檻的公司并非只有一家。所以，有沒有必要去做一家中國的Siri其實是一個假問題，一定意義上說，Siri才是美國的訊飛（訊飛成立于1999年，而Siri不過是蘋果收購的產物）。

2012年，對TA說？