隨著移動(dòng)互聯(lián)網(wǎng)和人工智能的發(fā)展，基于語(yǔ)音的交互已經(jīng)越來(lái)越重要、也越來(lái)越普及，從目前技術(shù)水平來(lái)看，在安靜環(huán)境、標(biāo)準(zhǔn)口音、常見(jiàn)詞匯上的語(yǔ)音識(shí)別率已經(jīng)超過(guò)95%，完全達(dá)到了可用狀態(tài)，由此也奠定了語(yǔ)音交互功能被廣泛應(yīng)用在包括智能手機(jī)、智能音箱、智能家電等等各種各樣設(shè)備中的技術(shù)基礎(chǔ)。

在線語(yǔ)音交互痛點(diǎn)：依賴網(wǎng)絡(luò)和延遲大

不過(guò)，目前語(yǔ)音交互技術(shù)的使用還是離不開(kāi)網(wǎng)絡(luò)和云端。從技術(shù)層面上看，一個(gè)完整的智能語(yǔ)音交互閉環(huán)的系統(tǒng)，包括語(yǔ)音信號(hào)采集和預(yù)處理（降噪、回聲消除）、后端語(yǔ)音識(shí)別、自然語(yǔ)音處理（理解、決策、表述）、語(yǔ)音合成等各個(gè)模塊。其中語(yǔ)音識(shí)別到語(yǔ)音合成過(guò)程需要較大的數(shù)據(jù)量和計(jì)算量，往往會(huì)被放到云端去處理。

無(wú)論是現(xiàn)今市場(chǎng)火爆的智能音箱還是各大家電廠商推出的智能冰箱、智能電視，采用的是語(yǔ)音交互大多數(shù)都是上述這種在線語(yǔ)音交互方案，所以設(shè)備在使用前往往需要借助智能手機(jī)將智能音箱連接網(wǎng)絡(luò)。深圳市木瓜電子科技有限公司技術(shù)支持工程師邱松曉指出，在智能家居、智能硬件中使用語(yǔ)音交互，替代遙控器，可以解放用戶雙手，帶來(lái)很多便捷性，但是，目前使用在線語(yǔ)音交互功能還需要先解決一些現(xiàn)有存在的缺點(diǎn)。

“在線的語(yǔ)音交互依賴于云端去處理，設(shè)備的前端往往只做聲音的采集、回聲消除和噪聲抑制等處理后，就通過(guò)網(wǎng)絡(luò)送入云端做語(yǔ)音識(shí)別和處理，處理后的結(jié)果又在通過(guò)網(wǎng)絡(luò)返回回到設(shè)備中，這其中就有產(chǎn)生兩個(gè)問(wèn)題：首先，一旦網(wǎng)絡(luò)出現(xiàn)問(wèn)題，語(yǔ)音交互功能就很有可能癱瘓;其次，就算在網(wǎng)絡(luò)狀態(tài)好的情況下，設(shè)備的響應(yīng)速度還是不盡理想，舉例來(lái)說(shuō)，前端語(yǔ)音處理約50ms，通過(guò)網(wǎng)絡(luò)需要約100ms，云端處理約500ms，還有延遲，再返回，加起來(lái)估計(jì)是1S到2S，特別是國(guó)內(nèi)的網(wǎng)絡(luò)不穩(wěn)定的情況下，有可能時(shí)間會(huì)更長(zhǎng)。”

“此外，在線語(yǔ)音交互方案往往需要一個(gè)喚醒詞，在說(shuō)出喚醒詞，等設(shè)備做出相應(yīng)的回應(yīng)后，才可以開(kāi)始與智能設(shè)備對(duì)話，體驗(yàn)不是很好。” ”邱松曉說(shuō)到。邱松曉和其公司一直在從事語(yǔ)音交互技術(shù)方案的開(kāi)發(fā)，也給客戶做過(guò)不少在線語(yǔ)音交互的方案，不過(guò)目前，他們也把不少精力放在一種更為簡(jiǎn)化的離線語(yǔ)音方案上。此模塊方案可以實(shí)現(xiàn)單麥遠(yuǎn)場(chǎng)語(yǔ)音拾取、語(yǔ)音喚醒、回聲消除、智能控制及語(yǔ)音播報(bào)等功能。

離線語(yǔ)音方案優(yōu)勢(shì)在于實(shí)時(shí)和成本

離線語(yǔ)音方案，顧名思義就是語(yǔ)音識(shí)別處理在本地，并不需要上傳到云端去處理。“以控制空調(diào)為例，我們先將‘請(qǐng)開(kāi)空調(diào)’、‘調(diào)高一度’等命令詞經(jīng)過(guò)算法訓(xùn)練和模型匹配后固化在本地存儲(chǔ)中，當(dāng)進(jìn)行語(yǔ)音控制時(shí)不需要聯(lián)網(wǎng)，在本地存儲(chǔ)直接調(diào)用。”邱松曉說(shuō)到，“相比在線方式，離線的方式確實(shí)有局限，這類方案更多屬于控制型的，不是交互型;而且由于本地的存儲(chǔ)空間有限，不像在線方案是通過(guò)云端處理，所以命令詞確實(shí)會(huì)比在線的少，一般命令詞條在幾十條左右。”

集成了離線語(yǔ)音模塊的設(shè)備可以通過(guò)語(yǔ)音來(lái)控制執(zhí)行一系列的操作指令，不過(guò)只是不能像智能音箱一般進(jìn)行查詢天氣、新聞、講故事、對(duì)話等交互。在智能音箱等在線語(yǔ)音方案如此火爆的情況下，木瓜電子同時(shí)也選擇了做離線方案，除了考慮到前面提到的在線方案的不足外，其實(shí)更多是市場(chǎng)真正需求的使然。

一方面，包括亞馬遜、京東、阿里、騰訊等都推出了智能音箱，用智能音箱控制和連接家電，希望想通過(guò)此類產(chǎn)品搶占智能家居入口;另一方面，各大家電巨頭也紛紛布局自己的智慧家庭生態(tài)，加入語(yǔ)音交互、AI等功能。無(wú)論是何種方式，智能家居要落地可能還需要一段較長(zhǎng)時(shí)間，因?yàn)檫@其中涉及到一整個(gè)云端平臺(tái)和生態(tài)的打造，由某一家公司掌控或打通可能還是比較難的。“這樣我們是否就不能享受像智能家居中語(yǔ)音控制家電的便利呢？，其實(shí)家庭中很多設(shè)備，包括空調(diào)、窗簾、燒水壺、晾衣架、臺(tái)燈等等，并不一定需要語(yǔ)音交互，我們只是需要去簡(jiǎn)化他們的控制方式，例如用語(yǔ)音控制來(lái)替代遙控方式，賦予一款產(chǎn)品具備被語(yǔ)音控制的能力，從而更高效解決用戶需求。”邱松曉表示。

對(duì)于這些僅僅需要語(yǔ)音控制而不需要交互的設(shè)備，用離線的方案或許更為合適。首先，離線智能語(yǔ)音交互模塊由于沒(méi)有了網(wǎng)絡(luò)傳輸?shù)臅r(shí)間損耗，語(yǔ)音交互的實(shí)時(shí)性更高，據(jù)了解識(shí)別過(guò)程只需要200ms，命令發(fā)出馬上可以做出反應(yīng)，基本感覺(jué)不到延遲，用戶體驗(yàn)好;其次因?yàn)闊o(wú)需配網(wǎng)，離線智能語(yǔ)音交互模塊具備用戶開(kāi)機(jī)即用的屬性，無(wú)需教育用戶。同時(shí)不存在網(wǎng)絡(luò)異常的意外情況，使用友好度非常高。再者，成本更低，與在線方案十幾美金的成本相比，離線的方案只需幾美金;而且，離線方案的目標(biāo)市場(chǎng)更多是單品，不涉及云端網(wǎng)絡(luò)或數(shù)據(jù)安全問(wèn)題，產(chǎn)出會(huì)快很多。

通過(guò)不斷模型訓(xùn)練和測(cè)試，離線方案識(shí)別率可達(dá)95%

不過(guò)離線語(yǔ)音往往被認(rèn)為是相對(duì)在線語(yǔ)音識(shí)別定位更為低端的應(yīng)用，但是在技術(shù)上做到“離線語(yǔ)音識(shí)別”其實(shí)并不簡(jiǎn)單。“我們常常說(shuō)‘臺(tái)上一分鐘，臺(tái)下十年功’，對(duì)離線識(shí)別來(lái)說(shuō)，也正正是這樣。在將聲音送入到設(shè)備之前，同樣也需要做語(yǔ)音的遠(yuǎn)場(chǎng)拾音、降噪、回聲消除等處理，將處理干凈的聲音就會(huì)和本地的模型進(jìn)行匹配，如果匹配就執(zhí)行動(dòng)作。整個(gè)過(guò)程看似簡(jiǎn)單，但是在命令詞的模型建立也需要花費(fèi)不少功夫。” 上海互問(wèn)信息科技有限公司華南區(qū)銷售總監(jiān)孔令亞說(shuō)到，“離線的方案需要給每一個(gè)命令詞建立一個(gè)匹配模型，每一個(gè)詞會(huì)錄入至少800個(gè)左右的樣本，樣本經(jīng)過(guò)不停的訓(xùn)練、模型匹配和測(cè)試，只有通過(guò)測(cè)試這個(gè)模型才定下來(lái)，放到內(nèi)存中。外界發(fā)出一條指令，就會(huì)和本地的模型進(jìn)行匹配，如果匹配才能執(zhí)行動(dòng)作。目前我們可以做到200多條命令詞，不過(guò)一般應(yīng)用場(chǎng)景在十幾天到幾十條就已經(jīng)足夠了。”

此外，離線方案在一些指令或詞條的識(shí)別率甚至可做到比在線的高，例如互問(wèn)信息離線語(yǔ)音控制模塊在家居環(huán)境下達(dá)到了95%識(shí)別率、2次/天的誤觸發(fā)。孔令亞解釋道，因?yàn)閺臉颖竞陀?xùn)練的數(shù)據(jù)量來(lái)看，建立模型的出發(fā)點(diǎn)就不一樣。離線的每一個(gè)詞條是專門花和時(shí)間去優(yōu)化。而在線的不會(huì)去這么做，中國(guó)的語(yǔ)言量這么豐富，方言這么多，這個(gè)工作量就非常大。例如‘請(qǐng)開(kāi)門’這個(gè)指令/詞條，在線的方案不會(huì)專門去建立這樣的一個(gè)指令樣本和模型去進(jìn)行訓(xùn)練匹配，因?yàn)楣ぷ髁刻箅y以實(shí)現(xiàn)。。所以在線的語(yǔ)音識(shí)別是針對(duì)字或句，而不是詞條，如果說(shuō)一個(gè)‘打’字，在線方案可能很快可以識(shí)別，但是如果說(shuō)‘打開(kāi)門’，語(yǔ)速快些或帶有情感，因?yàn)闆](méi)有這個(gè)詞條的大量樣本訓(xùn)練，很有可能就會(huì)誤判或識(shí)別慢。。

“為達(dá)到95%識(shí)別率、2次/天的誤觸發(fā)，我們要求每個(gè)語(yǔ)音命令詞都有800人左右的樣本，在聲音訓(xùn)練過(guò)程中，不斷調(diào)整命令詞的語(yǔ)音模型，這些訓(xùn)練樣本中也包含了多個(gè)地方性的普通話，如廣東地區(qū)、湖南地區(qū)、河南地區(qū)、北京地區(qū)等普通話。”他說(shuō)到，“我們生成一個(gè)命令詞的時(shí)間需要6周左右的時(shí)間，前4周時(shí)間樣本采集和訓(xùn)練，后兩周時(shí)穩(wěn)定性測(cè)試。互問(wèn)提供的語(yǔ)音命令詞，在國(guó)內(nèi)使用幾乎是沒(méi)有存在太多問(wèn)題，95%的識(shí)別率也是目前比較高的參數(shù)了。”

離線方案潛在市場(chǎng)或?qū)㈤_(kāi)啟，下半年將陸續(xù)出貨

“目前我們方案還沒(méi)有完全推開(kāi)，可以看到大家近端時(shí)間關(guān)注點(diǎn)都集中在智能音箱上，其實(shí)離線也是一個(gè)潛在的市場(chǎng)，與智能音箱也不算是競(jìng)爭(zhēng)關(guān)系，大家各有應(yīng)用場(chǎng)景。智能音箱去做交互都還可以理解，但是去控制一個(gè)家電的時(shí)候，這個(gè)過(guò)程還是比較復(fù)雜的，涉及到很多問(wèn)題，生態(tài)問(wèn)題，云平臺(tái)問(wèn)題、安全問(wèn)題。”邱松曉分析說(shuō)，“像空調(diào)、燒水壺、臺(tái)燈、目前還沒(méi)有涉及到和家電深度交流，這是機(jī)器人需要去做的事情，沒(méi)有人會(huì)想和空調(diào)去聊天。未來(lái)如果把計(jì)算機(jī)的能力集成到家電中，你靠近了家電就能感知判斷出你想干什么，這是真正的智能的，但是目前還沒(méi)有人能做到這一塊，也沒(méi)什么人愿意去做，成本和用戶體驗(yàn)都是一道坎。所以目前大家的訴求就是加個(gè)語(yǔ)音控制，多了一種控制的方式，成本也不會(huì)提高很多，但是卻解決需要到處找遙控器的痛點(diǎn)，對(duì)消費(fèi)者來(lái)說(shuō)，達(dá)到方便舒適的功能就可以，不會(huì)去追求超前技術(shù)。”

離線識(shí)別方案其實(shí)早就有出現(xiàn)，不過(guò)因?yàn)樽R(shí)別率等問(wèn)題一直沒(méi)有鋪開(kāi)。早在一兩年前還是85%左右的識(shí)別率，隨著技術(shù)的發(fā)展，目前離線語(yǔ)音在家居環(huán)境中可以達(dá)到了95%，而且可以做到5m距離的遠(yuǎn)場(chǎng)拾音、高語(yǔ)音識(shí)別率，低誤觸發(fā)率讓這一方案進(jìn)入家庭、開(kāi)啟市場(chǎng)成為可能。

孔令亞指出，消費(fèi)者的操作習(xí)慣、市場(chǎng)的需求和聲音技術(shù)的積累，都是決定離線語(yǔ)音控制產(chǎn)品的市場(chǎng)發(fā)展的因素。近些年聲音技術(shù)公司的涌出，聲音信號(hào)處理技術(shù)提升和聲音樣本的積累，實(shí)現(xiàn)了離線語(yǔ)音識(shí)別率的提高，也就提升了用戶體驗(yàn)，使用說(shuō)話的方式去控制設(shè)備，必然會(huì)得到消費(fèi)者喜歡。國(guó)內(nèi)能夠提供商業(yè)性的離線語(yǔ)音控制方案的廠商僅幾家，并且前幾年這幾家公司都重點(diǎn)去投入在線語(yǔ)音識(shí)別和聲音相關(guān)的內(nèi)容服務(wù)。所以離線語(yǔ)音控制方式的市場(chǎng)打開(kāi)進(jìn)度也受到一定的限制。但是離線語(yǔ)音控制方案的市場(chǎng)近期必然會(huì)被打開(kāi)，離線語(yǔ)音控制方案成本低、量產(chǎn)速度快，控制準(zhǔn)確率高。離線語(yǔ)音控制方案以輕量級(jí)方式進(jìn)入到各個(gè)產(chǎn)品中，而不會(huì)像在線語(yǔ)音識(shí)別那樣生態(tài)系統(tǒng)復(fù)雜。

從市場(chǎng)反饋上看，目前家電廠商對(duì)這種方案的接受程度還是比較理想的。據(jù)了解，現(xiàn)在市場(chǎng)存貨量已經(jīng)超過(guò)百萬(wàn)級(jí)別，并且目前離線語(yǔ)音控制的聲控臺(tái)燈、晾衣架、燒水壺等已經(jīng)在量產(chǎn)出貨，在接下來(lái)的一年內(nèi)，消費(fèi)者將在空調(diào)、抽煙機(jī)、風(fēng)扇、家居控制面板、按摩儀、故事機(jī)、空氣凈化器，熱暖器，熱水器等產(chǎn)品中都可以體驗(yàn)到，互問(wèn)信息的模塊都已經(jīng)切入到國(guó)內(nèi)這些產(chǎn)品生產(chǎn)商進(jìn)行項(xiàng)目配合。

“我們的離線模塊也是去年才開(kāi)始推出，在之前有儲(chǔ)備很多研究和設(shè)計(jì)。客戶拿到樣本測(cè)試到生產(chǎn)，可能需要半年到一年時(shí)間不等，所以還沒(méi)有那么快有典型的產(chǎn)品出來(lái)，預(yù)計(jì)今年下半年就有成品陸續(xù)出貨。接下來(lái)一年出貨量肯定不止1KK。”邱松曉對(duì)于市場(chǎng)前景信心滿滿。