分析目的：了解語音助手的市場現狀以及趨勢，分析競品產品定位，異同點，深化對產品的理解。

分析范疇：訊飛語點機頂盒，小米電視，小愛同學，小度DuerOs電視伴侶。

分析方法：智能語音交互技術解析，智能語音市場分析，競品主要產品功能，競品體驗。

一、語音交互技術

語音交互（VUI）指的是人類與設備通過自然語音進行信息的傳遞，一次完整的語音交互需要經歷ASR→NLP→Skill→TTS的流程。

語音識別（Automatic Speech Recognition）：簡稱ASR，是將聲音轉化成文字的過程。

自然語言處理（Natural Language Processing）：簡稱NLP，是理解和處理文本的過程。

語音合成（Text-To-Speech）：簡稱TTS，是把文本轉化成語音的過程。

智能語音交互系統作為人工智能最為典型的應用之一，可以將其技術拆分為如上圖部分。

在實際的應用場景中，對智能語音交互系統將提出特定的需求，本報告集中于家庭大屏場景下的交互分析。

值得注意的是，不同公司在智能語音技術的優勢各有不同。其中，以行業龍頭科大訊飛為代表，基于其深耕行業20載，在語音識別，聲紋識別，語種識別有著較大的優勢。

二、語音助手的市場現狀

1. 全球智能語音市場分析

據統計數據顯示：2017年全球智能語音美元，同比增長30%。隨著移動互聯網，智能家居，汽車，醫療等領域的應用帶動智能語音產業規模持續快速增長，預計2019年全球智能語音市場規模將突破170億美元。

2. 全球智能語音市場份額

在全球智能語音市場份額占比中，Nuance全球市場占有率排名第一，市占率達到31.6%；其次為谷歌，市場占有率為28.4%；排名第三的是蘋果，市占率為15.4%；其后為微軟以及科大訊飛分別占有8.1%以及4.5%的市場份額。

3. 中國智能語音市場分析

在人工智能和物聯網技術的發展帶領下，智能家居蓬勃興起，互聯網巨頭及新興創業公司從硬件、技術、系統解決方案等不同角度進行布局，智能家居系統初步顯現。

預計2019年，中國智能家具市場規模將超1900億，雖增長規模有所放緩，但市場規模將保持穩定增長，2020年將突破2000億元。

4. 語音交互的市場規模以及市場格局

目前，中國智能語音市場的主要份額被科大訊飛、百度以及蘋果分割。

數據顯示：目前為止，中國智能語音市場，科大訊飛市場占有率排名第一，市占率達到44%；其次為百度，市場占有率為28%;排名第三的是的蘋果，市占率為7%；其后為Nuance以及小i機器人占有均為3.0%的市場份額（前瞻產業研究）。

5. 中國家庭大屏產業

中國電視機出貨量在經歷2011年到2016年的持續正向增長后，2017年?次出現負增長，這?情況將在 2018年有所好轉。

同時，互聯?電視機出貨量占?連年穩定攀升，預計2018年將達到88%，全年出貨量近 4000萬臺。2018年上半年，受世界杯效應影響，銷量同?增長3.6%，但受降價影響，整體營業額下降2%，綜合測算全年銷量同?增長3%。

以電視機為代表的大屏設備在智能家居中扮演著舉足輕重的作用，作為智能家居最為主要的交互方式——語音交互，智能語音交互系統有著巨大的市場規模和發展潛力，本報告聚焦于基于大屏的智能語音交互系統進行分析。

相較于移動端的場景不同，大屏設備的主要使用場景在室內，集中于家庭。目標客戶和使用場景的獨特性，使得智能語音應用在該場景的使用具有特殊性。

例如用戶在近景中，我要看語文。這里“看”理解成學還是點播，意味著完全不同的跳轉頁面。這對于語義理解提出了較高的要求。

大屏設備作為智能家居概念的重要組成部分，也是語音交互的重要入口必然成為市場必爭的重要領域。

當我們轉向用戶思考IOT時代萬物互聯，意味著你身邊的任何設備都是聯網的，你可以在任何地方、任何時間和任何設備交互（IOT的4A原則），所以IOT將大大消弱了手機當前的交互中心地位。

當云端開始普及之后，未來計算平臺的前臺，是一系列形態、功能各異的智能硬件，這些硬件或大或小，有屏或無屏，近場或遠場，位置固定或隨身移動。雖然千差萬別，用戶卻希望在任何一臺設備上的交互狀態可以云端同步至其他設備，用戶可能隨時在設備間切換，但希望交互進程和數據流不被中斷、持續向前（集群智能）。

那么，什么樣的交互能夠支撐這種切換需求、適配各類設備而又保證體驗的一致性呢？

從這個角度思考，我們很容易就能發現語音交互的獨特優勢。

6. 語音交互的優勢

解放雙手、雙眼、雙腿，接觸空間限制，近場，遠場可交互；

指向明確，語義直達目標，縮短使用路徑；

自然簡單人性化，學習門檻低；

可以1對1，也可以1對多；

對設備要求低。

二、競品對比分析概覽

1. 競品簡介

小愛同學是小米科技于2017年7月26日推出的智能語音交互系統，適用于智能音響及其他智能設備，建構于小愛開放平臺上，可以通過連接進入米家物聯網系統控制所有的米家智能設備。

小度電視伴侶是百度旗下的一款智能硬件產品，內置DuerOS系統。從產品的概念來看，其以 Soundbar 的形態融入高性能 4K 機頂盒、智能音箱的功能，其三合一的創新產品形態，為客廳影音場景帶來了簡潔的一體性解決方案。

依托全語音交互大屏吸引，小度電視伴侶可實現利用語音打開設置中的藍牙開關、調整圖像設置等等。如“打開WiFi”“打開設置”等等，或者根據界面顯示的內容，用語音命令指定播放視頻內容，如“播放第三個”“這個人是誰”等等。此外，小度電視伴侶還可以通過語音控制多款智能設備，如“打開落地燈”“打開空調”等等。

訊飛語點是由科大訊飛推出的智能語音交互系統， 在2015年，科大訊飛重新定義了萬物互聯時代的人機交互標準，發布了對人工智能產業具有里程碑意義的人機交互界面——AIUI。

2016年，圍繞科大訊飛人工智能開放平臺的使用人次與創業團隊成倍增長。截至2017年1月，訊飛開放平臺在線日服務量超30億人次，合作伙伴達到25萬家，用戶數超9.1億，以科大訊飛為中心的人工智能產業生態持續構建。

2. 目標客戶

本報告針對基于家庭大屏的智能語音交互系統的競品分析，故家庭大屏用戶為本報告產品的目標用戶。

現階段，主流大屏視頻接入主要分為DTV，IPTV和OTT三種類型，截?2018年Q2,DTV、OTT的中國城鎮家庭?屏保有量均超過2億戶，IPTV??保有量達到1.42億。其中，中國移動魔百和在?東省有約1000萬的?戶成功轉為IPTV?戶，移動OTT盒?并?IPTV陣營可能成為趨勢，那么有望在短期內使IPTV總?戶也躍升?2億戶。

受限于數據和資料，本報告對不同類型的大屏終端用戶不作區分，以所有大屏用戶作為目標用戶作為分析對象。

大屏用戶性別分布比例：

大屏用戶年齡分布比例：

大屏用戶學歷分布比例：

基于現有數據可以分析得出，大屏用戶的用戶分布較為平均。

與傳統的人工智能產品以年輕人、高學歷、男性為主要目標用戶不同；基于大屏的智能語音交互系統用戶分布更為平均和廣泛，這種特點對具體場景的需求設計提出的新的要求。

目標用戶群體畫像不具有代表性，使得產品在設計和開發時需要更多的關注于場景而不是用戶，從該場景下的通用需求出發對產品進行設計和迭代。

三、評價指標

本報告基于智能語音交互系統使用場景，在大屏語音交互外結合了車載語音交互系統評價的標準，制定出對于大屏語音交互的性能評價體系。

智能語音交互系統的性能需滿足以下指標要求，其中喚醒率和誤喚醒率應針對支持語音喚醒功能的語音交互系統。

1. ASR

1.1 字準確率

該指標用于評價語音交互系統輸出的人類可是別的文本信息正確率。對于中文普通話語音交互系統，該項指標的評價分類如表1。

1.2 識別成功率

若語音交互系統在既定的識別輪數內完成了語音識別任務，則此次語音識別成功。語音識別成功與否應該兼顧語音交互系統動作的可靠性問題。

若語音交互系統共進行了R次特定的語音識別任務，其中SR次識別成功，FR次識別出現誤操作（包括但不限于 未在既定的識別輪數內完成，未完成識別前提前退出，識別無響應）。則：

識別成功率= SR/R * 100%

誤操作率 = FR/R * 100%

識別成功率 + 誤操作率 = 1

1.3 平均響應時間

該指標用于評價語音交互系統對語音識別任務的響應速度，離線語音交互系統的平均響應時間應≤2S；在線語音交互系統的評價響應時間應≤3S。

1.4 喚醒率

若語音交互系統共進行了W次喚醒，其中SW次成功喚醒。則：

喚醒率 = SW/W * 100%

該指標用于評價語音交互系統在有背景噪音情況下，對語音喚醒操作的正確響應情況。

1.5 誤喚醒率

若車載語音交互系統在T小時內出現FW次誤喚醒。則：

誤喚醒率=FW/T 次/小時

該指標用于評價語音交互系統在有背景噪音的情況下，對語音喚醒操作的錯誤響應情況。

2. TTS

主觀測試（自然度），以MOS為主：

MOS（Mean Opinion Scores），專家級評測（主觀）；1-5分，5分最好；

ABX，普通用戶評測（主觀）。讓用戶來視聽兩個TTS系統，進行對比，評測出聲音的自然度。

3. 交流體驗

3.1 用戶任務達成率（表征產品功能是否有用以及功能覆蓋度）

比如智能客服，如果這個Session最終是以接入人工操作為結束的，那基本就說明機器的回答有問題，或者重復提供給用戶相同答案等。

3.2 對話交互效率

比如用戶完成一個任務的耗時、回復語對信息傳遞和動作引導的效率、用戶進行語音輸入的效率等（可能和打斷，One-shot等功能相關）。

3.3 根據對話系統的類型分類

1）閑聊型

CPS（Conversations Per Session，平均單次對話輪數）。值得注意的是此指標為微軟小冰最早期提出的指標，并且是小冰內部的（唯一）最重要指標。

相關性和新穎性。與原話題要有一定的相關性，但又不能是非常相似的話；

話題終結者。如果機器說過這句話之后，通常用戶都不會繼續接了，那這句話就會給個負分。

2）任務型

留存率：雖然是傳統的指標，但是能夠發現用戶有沒有形成這樣的使用習慣；留存的計算甚至可以精確到每個功能，然后進一步根據功能區做歸類，看看用戶對哪類任務的接受程度較高，還可以從用戶的問句之中分析發出指令的習慣去針對性的優化解析和對話過程；到后面積累的特征多了，評價機制建立起來了，就可以上強化學習；比如之前百度高考，教考生填報志愿，就是這么弄的。

完成度（即前文提過的“用戶任務達成率”）：由于任務型最后總要去調一個接口或者觸發什么東西來完成任務，所以可以計算多少人進入了這個對話單元，其中有多少人最后調了接口。

相關的還有（每個任務）平均slot填入輪數或填充完整度。即完成一個任務，平均需要多少輪，平均填寫了百分之多少的槽位slot。

3）問答型

最終借助人工操作的比例；

重復問同樣問題的比例；

“沒答案”之類的比例。

整體來說，行業一般PR宣傳時，會更多的提CPS，其他指標看起來可能相對太瑣碎或不夠高大上。

但是，實際工作中，可能CPS更多是面向閑聊型對話系統；而其他的場景，可能更應該從“效果”出發。比如，如果小孩子哭了，機器人能夠“哭聲安慰”，沒必要對話那么多輪次，反而應該越少越好。

4. 語料自然度和人性化的程度

目前對于這類問題，一般是使用人工評估的方式進行。這里的語料，通常不是單個句子，而是分為單輪的問答對或多輪的一個session。

一般來講，評分范圍是1~5分：

1分或2分：完全答非所問，以及含有不友好內容或不適合語音播報的特殊內容；

3分：基本可用，問答邏輯正確；

4分：能解決用戶問題且足夠精煉；

5分：在4分基礎上，能讓人感受到情感及人設。

另外，為了消除主觀偏差，采用多人標注、去掉極端值的方式。

四、產品功能對比一覽

可以看出智能語音交互系統不僅僅局限于對智能家居設備的語言控制，不同廠家的語言交互產品都進行了大量的功能開發，包括但不限于生活管理服務、游戲、生活百科、增值服務。如

何挖掘出該場景下用戶的深度需求，抓住場景下用戶的痛點變成了各家廠商需要重點考慮的問題。

五、產品體驗細節對比

1. 功能體驗

根據影響用戶選擇語音助手線上調查問卷的結構，語音識別準確度，操作便捷，輸入速度快，功能多樣，詞庫豐富等因素，對比分析部分產品體驗細節。

本報告針對語音交互系統中常用的業務場景進行了測試，通過對具體功能的體驗對比進一步了解。

基于上述功能體驗，訊飛語點在語音合成失真度和反應時間上具有一定的優勢，這主要得益于科大訊飛在語音技術上的技術積累。

小度在語音交互時，更加側重音樂搜索功能。在“劉德華的無間道”和黃梅戲的交互中，小度均直接跳轉進QQ語音界面。

在開放式聊天中，小度的體驗感較差。無法理解用戶意圖時，采用了相同的語音反饋使得用戶的使用欲望降低。小愛同學針對開發式問題，有著不同的反饋。

在知識百科場景下，小度體現出了較強的優勢。該優勢得益于百度在搜索引擎中的長期積累。

2. VUI體驗

（因機頂盒配置問題，無法體驗）

六、總結分析

智能語音交互系統依然存在著發展空間，競爭進入了白熱化階段。以本報告的三款產品為例，訊飛語點，小愛同學和小度分別擁有自身的發展優勢。但值得一提的是，暫時未出現一款絕對領先的產品。各款產品都擁有自己優勢和劣勢，特別地在某些特定的場景中體驗分化極大。

現階段，語音交互系統中語音識別環節暫無較大差距。盡管在地方性語言識別上科大訊飛擁有著較大優勢，由于其使用場景較為單一且目標用戶數量有限，難以形成產品優勢。

在NLP階段，由于各款產品技術背景的差異，使得其在不同場景下存在獨特的優勢。例如：訊飛語點的方言識別，小愛的米家產品控制，小度的語音檢索。但在識別語音意圖時，與真實的對話依然才存在著較大差距。

搭載于大屏上的智能語音交互系統，由于其場景較為復雜，仍然需要一段時間進行發展和完善。

關于語音交互系統未來的猜想

智能語音交互系統在IOT和5G的技術的不斷發展和普及下，將會擁有越來越大的發揮空間和巨大的市場需求，智能語音交互系統也將會從閉環問答式的產品逐步走向開環交流式的智能產品。

作為一款智能產品，智能語音交互系統將逐漸實現情感化的功能，從一個智能系統到擁有情感需求的智能機器人。可以想象的是，智能語音交互系統將會成為人工智能發展的一個重要體現，并在未來的生活中扮演著越來越重要的作用。