語(yǔ)音：人機(jī)交互的新革命

語(yǔ)言的創(chuàng)造是人類(lèi)的一個(gè)拐點(diǎn)，最初，語(yǔ)言是控制桿，它將我們的思想轉(zhuǎn)化為工具。后來(lái)，我們適應(yīng)工具，把我們的表達(dá)轉(zhuǎn)化成TA的語(yǔ)言。今天，我們正在讓工具生命化，變成耳提面命的助手。這個(gè)漫長(zhǎng)故事的核心在于：我們與工具如何互動(dòng)。蘋(píng)果iPhone 4S的發(fā)布著實(shí)讓Siri火了一把，人機(jī)交互的革命史又翻開(kāi)了新的篇章，但是Siri并不完美，尤其對(duì)于國(guó)人來(lái)說(shuō)，不支持中文是最大的不足，不過(guò)這也給其他廠(chǎng)商留下了機(jī)會(huì)，其中科大訊飛的語(yǔ)音技術(shù)最為搶眼，也使其成為了這場(chǎng)人機(jī)交互新革命有力的推動(dòng)者之一。

前谷歌中國(guó)的高級(jí)研究員、《浪潮之巔》的作者吳軍老師在微博里半開(kāi)玩笑半地說(shuō)：“語(yǔ)音識(shí)別（在產(chǎn)品上）忽悠人從90年代開(kāi)始，大約每十年一個(gè)周期，最后的結(jié)果相同，就是大家發(fā)現(xiàn)這是個(gè)玩具，而不是工具。第一波人長(zhǎng)大了，走了，對(duì)科技不敏感了，第二波人當(dāng)時(shí)還在上中小學(xué)，沒(méi)上過(guò)當(dāng)，現(xiàn)在趕著來(lái)試一試。如此反復(fù)。不過(guò)我相信最后有一次不再是忽悠人，但是不是現(xiàn)在這一次？”

語(yǔ)音技術(shù)+移動(dòng)終端=？

換個(gè)角度，在PC時(shí)代，為什么語(yǔ)音就從來(lái)沒(méi)有成為過(guò)主流的人機(jī)交互方式？

雖然代表性的產(chǎn)品如IBM的ViaVoice已經(jīng)達(dá)到了很高的識(shí)別水平。中文識(shí)別的準(zhǔn)確率達(dá)到了95%以上，還能識(shí)別多種方言，每分鐘輸入150字。但它并沒(méi)有能成為一款打動(dòng)大眾消費(fèi)者的產(chǎn)品。

中國(guó)最大的語(yǔ)音技術(shù)廠(chǎng)商科大訊飛，長(zhǎng)期只能在一個(gè)幾十億規(guī)模的B2B市場(chǎng)里打拼。在機(jī)器合成語(yǔ)音市場(chǎng)，訊飛流暢、達(dá)到播音員水準(zhǔn)的語(yǔ)音產(chǎn)品已經(jīng)占到了70%以上的份額。今天大多數(shù)企業(yè)客戶(hù)服務(wù)中心的人工語(yǔ)音服務(wù)，都是采用科大訊飛的技術(shù)。

但這又怎樣？PC是一個(gè)固定的環(huán)境，人們?cè)缫呀?jīng)習(xí)慣了鍵盤(pán)+鼠標(biāo)的交互方式。大多數(shù)人已經(jīng)習(xí)慣于鍵盤(pán)打字而不是講話(huà)，因此，語(yǔ)音控制面臨Dvorak鍵盤(pán)布局同樣的應(yīng)用障礙。當(dāng)簡(jiǎn)單的老式QWERTY鍵盤(pán)供貨充足并且工作的很好的時(shí)候，為什么要學(xué)習(xí)使用Dvorak鍵盤(pán)呢？

更要命的是，任何一款語(yǔ)音識(shí)別軟件都需要大量的訓(xùn)練以便識(shí)別用戶(hù)的語(yǔ)音特征，來(lái)提高準(zhǔn)確性。有多少人會(huì)天天對(duì)著一臺(tái)電腦喃喃自語(yǔ)呢？

語(yǔ)音技術(shù)更廣泛的普及需要兩件事情：更好更方便的應(yīng)用和主要使用語(yǔ)音的生活場(chǎng)景。而移動(dòng)互聯(lián)網(wǎng)的勃興正好滿(mǎn)足了這些條件：

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

第二， 移動(dòng)互聯(lián)網(wǎng)終端有眾多的傳感器，就像人的感官，為人機(jī)交互和生活化應(yīng)用創(chuàng)造了條件。

第三， 移動(dòng)互聯(lián)網(wǎng)使得語(yǔ)音識(shí)別公司采集海量語(yǔ)料成為可能，通過(guò)應(yīng)用可以讓交互更頻繁，加快機(jī)器學(xué)習(xí)速度，改進(jìn)用戶(hù)體驗(yàn)。

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

用戶(hù)到底要什么？

我老媽從來(lái)沒(méi)有理解過(guò)智能手機(jī)，她只會(huì)打電話(huà)，不會(huì)發(fā)短信，更不用說(shuō)其它應(yīng)用。直到我的安卓手機(jī)裝上了訊飛語(yǔ)音輸入法。當(dāng)我對(duì)著手機(jī)說(shuō)出“吃葡萄不吐皮”的繞口令，并發(fā)出短信之時(shí)，她拿著自己500塊錢(qián)的諾基亞問(wèn)我：“我這個(gè)上面能用嗎？”

這就是用戶(hù)的需求，當(dāng)然是最原始的那一種。

你如果看過(guò)好萊塢大導(dǎo)演斯皮爾伯格的電影《A I》，相信會(huì)對(duì)人工智能有一定了解，通過(guò)人工智能技術(shù)，機(jī)器人可以把“對(duì)話(huà)、自然語(yǔ)言理解、視覺(jué)、演說(shuō)、機(jī)器學(xué)習(xí)、制定計(jì)劃、理性思考、服務(wù)代表全部融合到一起”。Siri的技術(shù)正源自人工智能。事實(shí)上，Siri讓我們看到了人機(jī)互動(dòng)的一種全新可能。語(yǔ)言，從來(lái)都被看做是人類(lèi)特有的技能，而一夕之間，一部手機(jī)擁有了這樣的能力，科幻變成現(xiàn)實(shí)的日子呼之欲出。

更重要的是，當(dāng)機(jī)器有一天能夠真正理解人類(lèi)的語(yǔ)言，并做出回應(yīng)，世界打開(kāi)了無(wú)限的想象空間。

說(shuō)一個(gè)人名，手機(jī)就會(huì)從冗長(zhǎng)的通訊錄中找到他；語(yǔ)音操控汽車(chē)、語(yǔ)音搜索地圖、語(yǔ)音尋找酒店；未來(lái)，在辦公室里對(duì)手機(jī)說(shuō)一句話(huà)，家里的廚房就開(kāi)始烹飪……

好吧，我承認(rèn)我的想象力還不夠豐富。

“移動(dòng)互聯(lián)網(wǎng)融入了人們的生活，人們可以在任何時(shí)間任何地點(diǎn)接入互聯(lián)網(wǎng)，也可以享受互聯(lián)網(wǎng)輔助的各種生活服務(wù)。在移動(dòng)互聯(lián)網(wǎng)時(shí)代，互聯(lián)網(wǎng)服務(wù)和生活服務(wù)的界限在消失。”名叫采銅的專(zhuān)業(yè)人士在知乎網(wǎng)站上回答“Siri會(huì)不會(huì)是一個(gè)革命？”時(shí)認(rèn)為：“在服務(wù)互聯(lián)網(wǎng)化的時(shí)代，語(yǔ)音將解放人們的雙手，降低了移動(dòng)互聯(lián)網(wǎng)的使用門(mén)檻，讓輸入更便捷，服務(wù)效率更高，從而成為“移動(dòng)互聯(lián)網(wǎng)發(fā)展的一個(gè)里程碑”。

下這樣的結(jié)論也許還為時(shí)略早。但看看中國(guó)大公司們的動(dòng)作吧。騰訊在微信中推出語(yǔ)音消息、搜狐和新浪在微博中嵌入語(yǔ)音微博服務(wù)，百度發(fā)布語(yǔ)音搜素、大眾點(diǎn)評(píng)的語(yǔ)音訂餐……

這說(shuō)明什么？只有一種可能：趨勢(shì)。

想想我們?nèi)祟?lèi)自己吧，我們能夠克服自己基因中的惰性嗎？

誰(shuí)更懂中文？

我們有理由著迷于Siri，無(wú)論是因?yàn)檎{(diào)戲它的樂(lè)趣，還是因?yàn)閷?duì)蘋(píng)果的崇拜。

但創(chuàng)新工廠(chǎng)的創(chuàng)始人李開(kāi)復(fù)老師坦言：“分析蘋(píng)果Siri：1）語(yǔ)音識(shí)別夠精確，但語(yǔ)義理解困難，2）語(yǔ)義理解靠自然語(yǔ)言分析不夠，需要海量語(yǔ)料和反饋?zhàn)詣?dòng)學(xué)習(xí)，3）Siri可用度不足，蘋(píng)果利用“調(diào)戲”獲取語(yǔ)料，學(xué)習(xí)后可提升可用度，4）防噪仍是問(wèn)題，蘋(píng)果靠4S特殊硬件，5）應(yīng)用結(jié)合困難，適合蘋(píng)果封閉系統(tǒng)，6）用戶(hù)對(duì)助手有“人智慧”的過(guò)高期望。”

所以，新iPad上還只有語(yǔ)音輸入技術(shù)，沒(méi)有Siri。

更何況，我們還不得不面對(duì)一個(gè)繞不開(kāi)的問(wèn)題：它目前不會(huì)講中文。

不要忘記了那些美國(guó)互聯(lián)網(wǎng)巨頭在中國(guó)的失敗，亞馬遜、谷歌、Groupon，還有根本進(jìn)不來(lái)的“非死不可”（Facebook）和推特。只有懂中國(guó)話(huà)，才有成功的可能，這是中國(guó)留給驕傲巨頭們的教訓(xùn)，語(yǔ)言更是如此。

算算中文里僅一個(gè)“我”有多少種說(shuō)法吧。這樣的段子在網(wǎng)上很容易找到。面對(duì)全世界最復(fù)雜的語(yǔ)言——中文，您相信一家美國(guó)公司能在短時(shí)間內(nèi)攻克嗎？反正我是不信的。

Siri代表了語(yǔ)音交互技術(shù)的一個(gè)方向，但它不一定是中文語(yǔ)音識(shí)別的未來(lái)。

那么我們現(xiàn)在創(chuàng)業(yè)做一家中國(guó)的Siri怎么樣？創(chuàng)新工廠(chǎng)的李開(kāi)復(fù)老師在微博上提出了四點(diǎn)質(zhì)疑：1）智能手機(jī)主界面是手觸，語(yǔ)音助手解決了什么真正用戶(hù)需求和痛處？2）如何克服后臺(tái)海量數(shù)據(jù)學(xué)習(xí)技術(shù)門(mén)檻？全球只有一個(gè)公司有這個(gè)技術(shù)。3）應(yīng)用誰(shuí)開(kāi)發(fā)？自己開(kāi)發(fā)難擴(kuò)張，用別人的應(yīng)用整合不佳影響體驗(yàn)，4）語(yǔ)音服務(wù)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(yǔ)音技術(shù)是一個(gè)典型的交叉科學(xué)，涉及到很多方面，不是說(shuō)有錢(qián)就能做的，是有相當(dāng)高的門(mén)檻。你可以去APP下載一個(gè)我們的軟件體驗(yàn)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(yīng)用。而更多普通人認(rèn)識(shí)訊飛，還是從訊飛語(yǔ)音輸入法開(kāi)始的。在沒(méi)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(jīng)突破千萬(wàn)次，達(dá)到了與QQ輸入法、百度輸入法相同的數(shù)量級(jí)。在蘋(píng)果主導(dǎo)的iOS平臺(tái)上，用語(yǔ)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(yǔ)音識(shí)別技術(shù)的核心競(jìng)爭(zhēng)力在于識(shí)別率，這是毋庸置疑的事情。訊飛有效利用了自己在國(guó)內(nèi)的先發(fā)優(yōu)勢(shì)，率先推出了語(yǔ)音云服務(wù)，將數(shù)據(jù)的上下行打通。在推出訊飛語(yǔ)音輸入法的同時(shí)，與騰訊、新浪、點(diǎn)評(píng)等第三方公司展開(kāi)技術(shù)合作，積累了2500萬(wàn)以上的用戶(hù)。

用戶(hù)體驗(yàn)語(yǔ)音服務(wù)的最初動(dòng)力是好玩兒，而非實(shí)用。Siri的調(diào)戲其實(shí)同樣意在快速擴(kuò)充語(yǔ)音數(shù)據(jù)庫(kù)，提高機(jī)器識(shí)別率。據(jù)科大訊飛副總裁江濤介紹，在語(yǔ)音云推出的一年時(shí)間里，訊飛的系統(tǒng)識(shí)別率從60%提高到了85%，日常用語(yǔ)識(shí)別率超過(guò)95%。這也是移動(dòng)互聯(lián)網(wǎng)帶來(lái)的改變。

科大訊飛目前通過(guò)兩種方式來(lái)培育語(yǔ)音識(shí)別業(yè)務(wù)，一是開(kāi)發(fā)自身的產(chǎn)品訊飛口訊和訊飛語(yǔ)音輸入法，發(fā)展語(yǔ)音云、豐富數(shù)據(jù)庫(kù)，公司語(yǔ)音輸入法目前對(duì)標(biāo)準(zhǔn)普通話(huà)的識(shí)別正確率已提升到95%以上；二是向應(yīng)用軟件開(kāi)發(fā)商們開(kāi)放語(yǔ)音云平臺(tái)接入，目前包括挖財(cái)在內(nèi)的理財(cái)記賬軟件、凱立德在內(nèi)的地圖軟件，都已內(nèi)置了科大訊飛的語(yǔ)音識(shí)別功能。

經(jīng)過(guò)一年半的低調(diào)完善，現(xiàn)在訊飛即將發(fā)布新的語(yǔ)音云系統(tǒng)。更重要的是，訊飛要免費(fèi)打開(kāi)自己的云接口，讓更多開(kāi)發(fā)者來(lái)免費(fèi)使用開(kāi)發(fā)應(yīng)用。本次發(fā)布的新系統(tǒng)加入了大量個(gè)性化服務(wù)，比如方言識(shí)別、注冊(cè)用戶(hù)的個(gè)性化語(yǔ)言識(shí)別等。

新一代的語(yǔ)音產(chǎn)品不可能僅僅滿(mǎn)足于簡(jiǎn)單的搜索和語(yǔ)音識(shí)別。它能夠自主分析用戶(hù)發(fā)出的口語(yǔ)指令，并給出確切的回應(yīng)和指導(dǎo)，完全不需要用戶(hù)預(yù)選學(xué)習(xí)使用方法。換句話(huà)說(shuō)，它將是具有“人智慧”的語(yǔ)音助手。

從一家B2B的產(chǎn)品公司，到一家提供云服務(wù)的B2C產(chǎn)品公司，這是科大訊飛的一次質(zhì)變。

回到李開(kāi)復(fù)四問(wèn)中的第二問(wèn)，他也許錯(cuò)了。世界上邁過(guò)了后臺(tái)海量數(shù)據(jù)學(xué)習(xí)技術(shù)門(mén)檻的公司并非只有一家。所以，有沒(méi)有必要去做一家中國(guó)的Siri其實(shí)是一個(gè)假問(wèn)題，一定意義上說(shuō)，Siri才是美國(guó)的訊飛（訊飛成立于1999年，而Siri不過(guò)是蘋(píng)果收購(gòu)的產(chǎn)物）。

2012年，對(duì)TA說(shuō)？