我們來談談那些智能家居裡的語音對話裝置

amazon的echo意外獲得了成功之後，現在大家都在跟風，就連大廠google也在前幾天釋出了自己的google home，其實就是一個echo的翻版。其實這兩個産品的最大的特色并不是語音對話，而是更自然的互動，也就是遠場的語音識别。

語音對話從apple的siri開始，那是很久以前的事了，那一年喬布斯還在世。現在在智能手機裡面已經是标配了，我個人覺着國外google做的好一點，microsoft和apple也還可以，amazon倒是後起之秀；國内訊飛和百度差不多，騰訊和阿裡都在自己研發類似技術，還有一些小公司也在做。除了語音助手，智能電視遙控器裡面也很普及，比如按住小米電視遙控器的home鍵，然後就可以說要看什麼電視劇或者電影，系統就會幫你找到。

但是不論是手機上的語音助手還是電視等裝置的遙控器，使用者對于語音的接受度并不高，隻有百分之幾的使用率。

我覺着原因第一是體驗不夠好，尤其是在國内，對話的體驗很差，經常上句不接下句，做個demo還可以，日常用經常要罵娘。

第二是有可以替代的體驗，手機上可以觸摸，電視上可以上下左右選擇，還都有很好的螢幕的視覺回報，語音并不是必須的。

那為啥同樣的技術放在智能家居裡面大家就覺着這個體驗好了呢，我猜有兩個原因：

一是智能家居使用者基數少，以能折騰的玩家為主，對于語音的接受度高，使用者的學習能力也強，就算是體驗不好使用者也能自我糾正。

二是遠場語音識别的體驗已經可用了，而音箱這樣的裝置并沒有别的輸入輸出形式，隻能用語音，沒有比較也就沒有互相傷害。

遠場語音識别主要靠的是硬體，靈敏度更好的麥克風陣列，可以定向識别語音，強大的噪聲消除算法，可以在有環境噪音的時候分辨出人聲。這類硬體成本目前還在人民币一百元以上，而普通的一個麥克風也就幾塊錢成本，這也就是為什麼帶遠場語音識别的裝置都比較貴了。即使是有了好的硬體，也要做一些體驗的優化，比如喚醒詞，音節越多對比越大越好，amazon的echo的喚醒詞是“alexia”，google home的喚醒詞是“ok google”，這樣才能保證高的準确率和低的誤識别率。

插播廣告，小米生态鍊企業上海創米做了一個高端的攝像頭，名字叫小白。設計的時候也有語音識别功能，放了兩個麥克風，用的是訊飛的語音識别算法，已經是國内最好得了。實際測試的時候發現，隻能在一米以内才能把提體驗做好。喚醒詞最早的時候是“小白”，實測發現誤識别率很高，後來改成了“小白小白”，好了一些。鑒于它是一個攝像頭，最終改成了“小白看過來”，它聽到後會把頭轉過來，還是很萌的，有這款産品的可以試試。研發團隊正在研發二代，估計會加入遠場語音識别，價格也會高一兩百塊錢。

廣告結束，說一下我的一點淺見。

這類語音對話裝置隻是一個開始，将來也未必是音箱這種形态，關鍵是技術成熟，成本使用者可以接受。這樣你可以對着空調說話，對着燈說話，它們都會聽你的，仿佛這些裝置都有了生命。而使用者也很自然的接受這些裝置是可以對話的，那個時候才是語音對話裝置的爆發期。

使用者對于這類體驗的向往已經有了上千年，也展現在很多文學作品裡面。比如《白雪公主》，裡面的女王有一個魔鏡，那就是一個非常典型的語音識别裝置，喚醒詞是“魔鏡、魔鏡告訴我”，可能當時的技術還不太成熟，要這麼多音節才能喚醒。魔鏡背後是強大的搜尋能力，比如“誰是世界上最美麗的女人”，現在google已經有那麼個意思了，強大的深度學習能力，回答這個問題是小菜一碟。除了搜尋，還有其它服務的整合，比如百度還能給你送外賣。

本文轉自d1net（轉載）