智能互联网时代最先爆发的AI应用会是语音吗？

移动互联网之后智能互联网时代已然来临。不过，究竟什么是人工智能？AlphaGo战胜人类棋手除了可以作为谈资之外其实与大多数人没关系，用人工智能技术调度外卖配送员我们普通人也感受不到其威力。在我看来，人工智能技术最典型且最先普及的应该是语音――如果说人工智能是互联网上的皇冠，那么，语音技术就是这颗皇冠上最璀璨的那颗明珠。

种种迹象表明，智能语音正在改变我们的生活或者生产方式：

• 在上海一家肯德基餐厅内，度秘可接收顾客的语音命令帮客人点餐；
• Amazon Echo和Google Home为代表的智能音箱，正在成为家庭的新入口；
• 阿里云栖大会和天猫双11晚会上，演讲嘉宾的话被实时转化为文字，准确率近100%；
• 锤子M1L发布时，讯飞语音输入法成为这场发布会的最大亮点；
• 手机天猫的商品评论功能已经支持语音输入，大幅提升了用户的评论意愿；
• ……

由于更加自然、快速和简单，语音正在逐步取代“打字”成为主流交互方式，各行各业都在思考如何利用语音技术，手机电视等硬件厂商加入语音将之当做卖点，O2O服务平台加入语音搜索便于用户下单，电商平台加入语音评论功能降低互动门槛，售后服务加入语音降低客服压力，企业借助于语音工具记录会议内容……

　　 语音技术大规模爆发

语音进入大众视野已有许多年历史，事实上，Siri早在2011年就已经发布，当时国内也有不少跟随者，为什么5年之后的今天语音才进入爆发期呢？最关键的原因在于：

1、技术进入成熟可用阶段。当识别率只有90%的时候，语音就会被吐槽为玩具，然而，随着深度学习技术被引入语音之中，语音技术就实现了从90%到99%的跨越。百度有基于百度大脑深度学习技术的Deep-Speed技术，讯飞有“讯飞超脑”，搜狗也与清华大学联合建立人工智能实验室，人工智能驱动语音技术走向成熟，变得可用，是语音技术今天爆发的第一个背景。

2、4G网络普及速度超预期。不论是Siri、度秘还是语音输入法，要能准确、快速识别出语音的前提是终端要接入网络，并且要高速网络，4G网络在最近两三年的普及速度超过了所有人的预期，5G商用也越来越近了，高速的网络环境给语音提供了便利的基础设施。

3、大数据和云计算普及应用。人工智能算法生效的前提是对海量数据进行机器学习，同时要通过云端大规模集群进行并发式计算。语音技术需要对大量的语料进行计算，大数据和云计算在这几年成为互联网基础设施，成为语音技术爆发的又一个前提。

4、语音应用场景大幅增加。这几年，后移动互联网时代迎来了几波潮流：O2O、智能硬件（智能汽车、智能家居、智能可穿戴等等）还有互联网+，这些场景给语音提供了大量的应用场景。

语音爆发在即，开发者并不具备研发语音底层技术的能力，但可以将巨头开放的语音技术与自身业务紧密结合，成为语音技术的应用者。市面上有不少语音开放平台，有的收费、有的免费，现在最普及的语音开放平台，来自于百度。百度语音平台在2013年11月正式开放，在当时我的看法是“百度语音开放可以成为推动这一市场蓬勃兴起的催化剂”，现在看来这是对的。

　　 百度语音开放平台如何崛起？

11月22日，在百度语音开放平台三周年大会上，百度首席科学家吴恩达介绍，百度语音开放之后，2013年每天的在线语音识别请求量是500万，今天这个数据变为1.4亿请求量；在线合成从2014年的1.2千万到现在超过2亿；开发者数量从2014年1万增加到今天超过14万开发者，百度的语音开发者生态浮出水面。

鉴于11月23日即今天下午是科大讯飞2016年度发布会，百度语音在11月22日前高调召开发布会，截胡之意十分明显。百度语音开放平台的玩法，让我想起百度地图与高德之争：百度免费让高德不得不跟进，最终实现了互联网化。科大讯飞2009年成立，百度语音团队在2012年才成立，作为后来者，百度语音凭什么能做成呢？

第一点，也是非常重要的一点，百度语音率先使用了深度学习技术，进而在语音技术上取得突破。这是吴恩达加盟百度之后着重做的第一件事情，基于深度学习的DeepSpeech2语音识别系统准确率达到了97%，这个成果被评为MIT评为2016年十大技术突破，同时，在噪音环境下的表现很好。在百度大脑被公布之后，讯飞才跟进成立“讯飞超脑”，深度学习技术是百度语音能够做成的关键。现在，百度正在语音情感合成、远场语音交互、语音唤醒技术等领域发力，做深做细，强化技术壁垒。

第二点，百度在语义理解技术上优势明显。语义理解不只是要求机器听得到，还要听得明白，甚至可以基于上下文对话。这需要自然语言处理技术的配合，去理解识别到的语音中的语义。百度是搜索引擎起家，在自然语言处理尤其是中文处理上优势明显，再结合任何智能技术，在语音交互上有度秘表现比Siri、Google Allo更好，甚至支持多轮交互，在语音应用上有自然语言翻译，这些都体现出百度在语义理解上的优势，百度语音开放平台也支持50多个垂直领域的语义理解，支持人机多轮对话。

第三点，则是非常独特的一点，百度不只是有语音开放技术，开发者往往会需要使用多种技术能力，一个App不能只有语音，可能还需要LBS位置能力，百度地图是最大的开发者平台；还有在人工智能上，百度提供语音合成技术、图像识别技术、自然语言处理技术、用户画像技术以及机器学习技术的开放，这些可能也是开发者所看中的，这也是百度相对于只提供语音技术能力的平台的优势。

第四点，百度所开放的不只是技术，还有用户、数据和计算资源。许多开放平台开放的是API，即技术能力，但开发者需要的不只是技术能力，互联网巨头都有自己的生态，它们可以吸引开发者的原因就在于用户、数据和计算资源，百度产品矩阵拥有数亿用户，其中不少用户有语音习惯，还有就是用户行为大数据以及云计算资源，这些都是开发者看重的。

　　 语音大战新的主战场是什么？

不过，语音技术进入爆发期，还有许多应用空间，开发者有复杂多样的需求，百度语音开放平台将切下一块蛋糕，但不会吃掉所有的。接下来，语音技术还有许多重点领域要克服，除了抗噪、口音两大问题之外，语音接下来的关键竞争点在于：

1、语音唤醒技术。

我们通过“Hey Siri”“Ok Google”唤醒语音助手，这让语音助手随时待命，不过对移动设备来说有较高的功耗压力（Google Home和Amazon Echo音箱一直插电，不用考虑功耗问题），还有就是唤醒准确率存在问题，要么手机听不到，要么误判。还有就是唤醒的语句固定、不能区分用户身份，体验不够好。百度语音开放平台三周年时选择开放唤醒二期技术，功耗是友商的三分之一，唤醒准确率达95%，支持“茄子”启动拍照这样的自定义唤醒词，相信之后还会引入声纹识别技术区别身份。

2、远场语音交互。

现在语音交互技术对人与设备之间的距离有要求，要“对着手机说”，这其实是很傻的，我们在生活中与人对话，可不会距离这么近。在家里我们要控制电视机，还得对着遥控板说。远场语音交互技术解决的就是这个问题，它让机器可以听到几米外的人说的话，挑战也很大，有回音，有噪音，有衰减，百度已经自主研发了支持3-5米的远场语音技术，这意味着之后我们可以睡觉时让热水器启动，或者坐在沙发上直接对着电视发号施令了。

3、语音合成技术。

现在机器说话都很死板，我们很容易听出来一段话是人还是机器说的。接下来语音合成技术的关键是，让机器说话声音更像真人，不只是“音色”接近真人，而是更有情感，抑扬顿挫、饱含深情。百度语音开放平台基于大数据和深度学习建模方式，在情感合成上有较好的表现，语音开放平台增加的一个新能力就是语音合成技术。

4、长语音识别。

输入一大段话的识别，过去对机器来说很有难度，涉及到断句等诸多方面，现在输入法，包括大会上演讲者的声音识别都有不错的表现，这表明长语音识别技术正趋于成熟。不过，要实现同声传译、用语音发邮件、写文章，甚至进行会议纪要，短期内还是很困难的，李彦宏、王小川等大佬们的说法也是“未来会取代同声传译”。当然，随着长语音识别技术的成熟，接下来语音还有更多应用场景，比如智能客服、内容纪要等等，取代同声传译不会这么快，但是最终一定会。

5、语义理解技术。

语义理解能力进一步提升，中文博大精深，很多话文字一样，不同场景表达意思不一样，语音技术要跟场景结合去理解语义，还要结合上下文。甚至要跟别的智能技术结合去理解，比如用户可能会指着一个物体说“请问它的英文怎么说”，只有语音技术就解决不了这样的交互，还得有图像识别技术；再比如用户会问“我们这里的天气怎么样”，这需要LBS技术的配合。总之，基于场景、结合人工智能综合技术的语义理解，可能会是语音技术接下来攻克的重点。

每个行业都在利用人工智能技术，而人工智能里面最先普及的，必然会是语音技术。随着IoT时代到来，越来越多的联网设备会遍布在我们周围，手机、电视、电灯、汽车…都会具备语音交互能力，随时待命，聆听我们的声音并做出响应。因为语音技术的成熟，我们与这个世界对话将越来越多，我们的双手将被解放，我们的世界将更加美好，未来已来。

微博@互联网阿超微信罗超（luochaotmt）