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)