語音現(xiàn)狀：四千萬突破語音產(chǎn)業(yè)的技術(shù)壁壘

 近年來智能語音市場的火熱，引起了越來越多的人的關(guān)注。最明顯的標志，就是科大訊飛的市值。作為語音行業(yè)的龍頭企業(yè)，短短幾年時間，科大訊飛的市值從剛上市時的34億，已經(jīng)增長到超過200億，讓人瞠目結(jié)舌。而這幾年移動互聯(lián)網(wǎng)的大規(guī)模爆發(fā)，作為主要載體的智能手機在打字輸入方面非常不方便，這更讓語音識別技術(shù)變成了必需品。這大大拓展了智能語音市場的想象空間，讓人們不得不盯緊這塊巨大的蛋糕。那么，這塊巨大的蛋糕里，有多少家公司，每家公司的水平如何，讓我們來做一番梳理。

技術(shù)門檻

首先要知道，智能語音行業(yè)是個技術(shù)密集型的行業(yè)，核心技術(shù)一直是智能語音行業(yè)的一個重要門檻，也是一家語音公司的核心資源。智能語音行業(yè)的技術(shù)很多，除了最著名的語音識別、語音合成外，還有說話人識別、音樂識別、語種識別等。如同“數(shù)學是科學的皇冠”一樣，語音行業(yè)技術(shù)也有一個“皇冠”，那就是“語音識別”。為什么語音識別是“皇冠”?兩點理由：一是技術(shù)上最難，二是實用前景最大。所以要考察一家語音公司的技術(shù)水平如何，就看它是否能提供高性能的語音識別產(chǎn)品?？拼笥嶏w一直說自己的行業(yè)門檻高，主要就是指語音識別技術(shù)的門檻高。

前幾年語音行業(yè)不景氣，做語音的多是以學術(shù)界為主，這使得國內(nèi)的語音核心技術(shù)一直掌握在科大訊飛、中科院聲學所、中科院自動化所、清華大學等幾家單位里。同時也導致語音行業(yè)的人才很稀缺?；ヂ?lián)網(wǎng)大佬們有錢都招不到人。

除了國內(nèi)的幾家單位，還有一些著名外企在國內(nèi)設(shè)了語音研究機構(gòu)，水平也很高。比如鼎鼎大名的微軟亞洲研究院，給SIRI提供語音技術(shù)的Nuance，還有IBM、摩托羅拉。不過這幾家外企的語音部門并沒有隨著國內(nèi)語音產(chǎn)業(yè)的爆發(fā)而發(fā)展。微軟亞洲研究院的語音組一直在縮水;Nuance在中國的部門一直不是核心部門;IBM的相關(guān)部門賣給了Nuance;摩托羅拉更別提了，是其中最慘的一個，語音部門解散，語音合成的部分賣給了Nuance。除了語音產(chǎn)業(yè)在前些年一直做不大的原因以外，筆者猜測的一個原因是，語音識別牽涉到信息搜集，有國家安全的考慮，所以國家不會把這部分業(yè)務(wù)放給外企來做，外企也就不再在國內(nèi)加大投入。比如Google的語音識別服務(wù)，國內(nèi)的連接一直就時斷時續(xù)。

算起來，現(xiàn)在語音行業(yè)的核心帶頭人，或多或少都和上述幾家公司和單位有著聯(lián)系，要么從這幾家單位獲得學位畢業(yè)，要么加入過這幾家公司。

盛大往事

談到國內(nèi)語音產(chǎn)業(yè)的發(fā)展，不能不提的就是盛大語音院。因為它確實是從無到有，花了三年時間，突破了語音產(chǎn)業(yè)的技術(shù)“護城河”。它所花費的人力成本、時間成本，無疑給各個互聯(lián)網(wǎng)大佬們做了個樣板。大佬們可以從盛大語音創(chuàng)新院的花費中，推算出如果自己想從頭開始投資語音技術(shù)，需要花多少人、多少時間、多少資金，才可以在語音市場上有一席之地。這幾個重要指標下面都會細致的談一談。

盛大2009年開始成立的語音院，是金融危機爆發(fā)的后一年，也剛好是國內(nèi)語音產(chǎn)業(yè)爆發(fā)的前一年。上文說過，語音行業(yè)的人才緊缺。也就是這個時候，才能從各大語音公司和部門，挖過來那么多核心員工。據(jù)了解，盛大組建的語音團隊，從事語音技術(shù)研發(fā)的核心員工，最多的時候有三十多人。這對于語音研發(fā)團隊來說，是個相當恐怖的數(shù)字。因為通常一家公司的核心語音成員都在十人以下。而國內(nèi)做語音的也就那幾家公司。盛大基本上挖了個遍。所知道的，科大訊飛、中科院聲學所、Nuance、摩托羅拉、微軟亞洲研究院都有核心員工被挖到盛大。這些員工帶著原來公司的核心技術(shù)來到盛大，自然也要盡快拿出成果。帶著這幾家大公司的核心技術(shù)，在三四十員工的研發(fā)下，盛大還是花了兩三年時間，才拿出了像樣的語音產(chǎn)品。不得不說，語音行業(yè)的技術(shù)門檻確實很高。盛大也是機緣巧合，才能突破語音技術(shù)“護城河”。

所以，從盛大的經(jīng)驗來看，要從頭開始做語音技術(shù)，人數(shù)上要有三十多人。而且這一過程至少需要兩年的時間，如果考慮到團隊組建，可能會更長。資金方面，據(jù)悉，盛大對語音院的投入達到了四千多萬，人力成本的開銷的比重較大。由于這兩年各大公司都開始成立語音部門，需求的增長也讓語音人才的薪資水漲船高。所以，四千萬的資金投入還不一定能滿足這樣的成本開銷。

不過，盛大在語音行業(yè)走了步好棋，甚至市場上有聲音稱其有望挑戰(zhàn)科大訊飛。但不幸的是，整個盛大集團近期一直處于衰退階段。因為退市而資金不足的盛大，只能大幅度減少投資力度。盛大語音院的上級機構(gòu)——盛大創(chuàng)新院幾乎全部解散，讓人唏噓不已。在這場動蕩中，一部分員工離開了盛大語音院，成立了一家叫“云知聲”的公司。云知聲大約有90%的員工曾就職于盛大。短短幾個月內(nèi)，這家公司就推出了自己的語音識別技術(shù)。

盛大在語音方面的投入也不是完全沒有結(jié)果。2013年，盛大語音院從盛大正式獨立，成立了一家叫“靈聲科技”的公司。據(jù)靈聲科技方面稱，盛大沒有得到靈聲科技的控股權(quán)，以盛大以往在資本運作上的強勢風格來看，不知中間又發(fā)生了什么故事。

盛大栽下了“語音院”這棵樹，結(jié)了兩顆果子，一顆是“靈聲科技”，一顆是“云知聲”。從此，盛大語音院的故事告一段落，兩個新的公司帶著盛大的核心技術(shù)，開始了各自的征程。

互聯(lián)網(wǎng)大佬的現(xiàn)狀

既然盛大投資了語音產(chǎn)業(yè)，其他幾家互聯(lián)網(wǎng)巨頭也想從該領(lǐng)域分一杯羹。騰訊、百度、阿里、搜狗陸續(xù)成立了語音部門。

對百度和搜狗這類搜索公司，語音識別技術(shù)是必須的，而且其商業(yè)價值也很清晰，因為Google已經(jīng)驗證了語音搜索在移動終端的重要性，國內(nèi)搜索公司只需要跟進投入即可。因此，百度方面由李彥宏親自督管該項目。騰訊方面，其語音部門隸屬于微信事業(yè)部，微信大批量的語音輸入，使得語音識別的用處很廣泛。阿里則是剛開始介入語音產(chǎn)業(yè)，部門也才成立不久。

這幾家公司里，百度的語音技術(shù)已經(jīng)做的不錯。2010年就成立了語音部門的百度，開始都是游兵散勇。百度還從中科院聲學所買了一些授權(quán)，但是沒有專業(yè)的語音開發(fā)人員，沒做出什么成果。正如之前所說，語音技術(shù)門檻高，從頭開始做很難，沒有其他公司的技術(shù)積累基本無望。百度后來從中科院自動化所挖來一批人才，通過自動化所的技術(shù)累積，花了兩年多的時間，才慢慢地把語音技術(shù)做了起來。騰訊其實也差不多從2010年左右開始投入語音技術(shù)，但是力度一直比較分散。據(jù)說當時騰訊研究院、輸入法等兩三個地方都在做語音，每個團隊都是一兩個人，所以一直沒見成果。近期由于微信大紅，其中有大量的語音輸入，因此才將語音研發(fā)人員整合起來，步入正軌，不過要達到其它家的水平，尚需時日。其他幾家公司中，搜狗對語音技術(shù)已投入了一年多，目前為止還是相當一般，否則搜狗語音助手也不會還依賴于第三方的語音引擎了。阿里的部門今年才成立，更不用說技術(shù)了。

國內(nèi)那些專業(yè)語音公司

除了上文提到的語音公司的龍頭企業(yè)——科大訊飛，出身于盛大的云知聲和靈聲科技外，其實在近些年里，國內(nèi)成立的其他語音公司也有若干家。捷通華聲就是一個出身于科研院所的典型。這家語音公司一開始技術(shù)上是依托于中科院的聲學所，成立時間基本和訊飛相當。在之前相當長一段時間內(nèi)，也是和訊飛旗鼓相當。但是最終的結(jié)果是訊飛發(fā)展起來并成功上市，而它則相對慘淡。近年來捷通華聲語音技術(shù)上并沒有太大的起色，而市場應(yīng)用也還是那一畝三分地，比如一些科研項目。與之類似的，另外一家依托于聲學所的語音公司——中科信利，其發(fā)展狀況也差不多。

除了聲學所以外，中科院的自動化所也是國內(nèi)語音技術(shù)的一股中堅力量，從中也分出了幾家語音類的公司，其中包括紫冬銳意和納象立方。紫東銳意以語音和翻譯為核心技術(shù)，主要提供口語翻譯軟件。納象立方則主要對視頻進行字幕處理。

除此之外，近期也出現(xiàn)了一些海外背景的語音公司，針對于大語音產(chǎn)業(yè)的細分領(lǐng)域。一個是蘇州思必馳，據(jù)稱該公司的創(chuàng)始團隊成員有劍橋大學的背景，主要是將語音技術(shù)應(yīng)用于英語教育。還有一個是普強信息，該公司的創(chuàng)始團隊來自硅谷，其主要業(yè)務(wù)是為呼叫中心提供智能語音技術(shù)。

跨越技術(shù)“護城河”的標志

此前說了這么多技術(shù)門檻，大家可能會有疑問，如何判斷一家公司的語音技術(shù)已經(jīng)越過了“護城河”。不能是你說行就行，你說不行就不行，要有一個客觀標準。這個客觀標準是什么?業(yè)界的討論是，是否推出了語音識別公開平臺。為什么這么說?如之前所述，語音識別技術(shù)是語音產(chǎn)業(yè)的“皇冠”。那么判斷一個公司的核心技術(shù)水平，就看它的語音識別技術(shù)做的怎樣。而通過語音識別公開平臺，就可以判斷一家公司的語音識別技術(shù)水平。從這點上看，科大訊飛是最早公開發(fā)布的，也肯定了科大訊飛的技術(shù)水平。盛大語音院是第二家發(fā)布的，現(xiàn)變更為靈聲科技繼續(xù)開發(fā)。搜狗公司曾使用過盛大的語音識別平臺，也算確認其技術(shù)水平。云知聲推出稍晚，但是近期宣傳非常高調(diào)。其它語音公司包括捷通華聲、紫冬語音甚至普強信息也各自都發(fā)布自己的語音技術(shù)平臺，但是在市場上并沒有看到太多應(yīng)用的聲音。百度雖然沒有對外發(fā)布，但是在百度內(nèi)部，已經(jīng)推出了一個語音識別平臺。這幾家可以算得上圈子內(nèi)正式的玩家。

發(fā)展前景

我們把國內(nèi)現(xiàn)有的語音公司和部門分為兩類。一類是獨立的語音公司，以訊飛、云知聲、靈聲科技為代表;一類是互聯(lián)網(wǎng)巨頭公司的語音部門，以百度、騰訊、搜狗為代表。

獨立的語音公司策略比較靈活，可以多方面發(fā)展，但平臺的可能性不夠大。但訊飛比較例外，即作為獨立的語音公司，同時去年又和中國移動達成戰(zhàn)略合作，解決了發(fā)展平臺的問題。這也是它被投資者看好的原因。出身于盛大的靈聲科技、云知聲，雖然語音技術(shù)上已經(jīng)可以和訊飛相媲美，但發(fā)展平臺與訊飛差距很大，商務(wù)上也不及訊飛這么多年的積累，需要傍大樹，才能獲得迅速的發(fā)展。但技術(shù)門檻已經(jīng)被突破，所以訊飛也在這幾家新公司而頭疼。

互聯(lián)網(wǎng)巨頭公司的語音部門有個大的發(fā)展平臺，但是基本上只服務(wù)于公司的整體戰(zhàn)略，很難在多方面發(fā)展。比如百度的語音部門，就服務(wù)于百度的語音搜索業(yè)務(wù)和語音助手業(yè)務(wù)。騰訊的語音部門，就服務(wù)于微信業(yè)務(wù)。這些部門今后的命運，可能類似于微軟公司的語音部門、谷歌公司的語音部門，專門為本公司的核心戰(zhàn)略服務(wù)。

隨著去年SIRI的推出，語音號稱作為移動互聯(lián)網(wǎng)的入口，想象空間高到爆棚，讓所有人都心動了一把。但經(jīng)過這段時間的發(fā)展來看，還為時過早。整個語音產(chǎn)業(yè)的后續(xù)發(fā)展趨勢，還值得繼續(xù)觀察。