科技巨頭搶灘智能語音市場，能否改變?nèi)伺c機器語音市場方式？

隨著人工智能的迅速崛起，新一輪核心技術(shù)變革已經(jīng)躍然眼前。語音技術(shù)作為比較核心的入口，成為科技巨頭們爭相攻下的堡壘。亞馬遜，蘋果、微軟、谷歌、百度等多家科技巨頭也紛紛進軍語音助手市場，該領(lǐng)域的競爭日趨激烈。

2016年是聊天機器人接管硅谷的一年，但語音技術(shù)能否從根本上撬動人與機器交互的龐大根基卻尚難定論。當激進的瞭望者們描述：物聯(lián)網(wǎng)爆發(fā)之際，語音技術(shù)何等不可思議，將徹底顛覆傳統(tǒng)復(fù)雜的手動操作模式等等，而一些冷靜的現(xiàn)實派確認為：這些機器人并不怎么會聊天。

科技巨頭們的“語音”交互戰(zhàn)

為了能夠在這個即將到來的生態(tài)系統(tǒng)中搶占制高地，各大科技巨頭越來越重視語音技術(shù)發(fā)展。蘋果Siri依托于iPhone，亞馬遜Alex依托于Echo設(shè)備，在搜索和語言領(lǐng)域占據(jù)技術(shù)優(yōu)勢的谷歌卻在硬件發(fā)展上晚了一拍，比較為消費者所熟知的還是Google Home設(shè)備上的語音服務(wù)，而微軟則眼光獨到，其人工智能旨在幫助人們做到更好，而不是與人競爭。

Facebook近日宣布啟動新的平臺ParlAI，加大語音識別研發(fā)力度，使計算機能與人進行有意義的對話。而微軟與谷歌則展開了一場實力角逐。

在技術(shù)上，微軟有與谷歌TensorFlow想匹敵的人工智能開源開發(fā)工具CNTK，以及提供全部人工智能技術(shù)的Azure云。在業(yè)務(wù)上，微軟現(xiàn)在有三款聊天機器人，主打情感計算的小冰、主打商務(wù)助理的小娜，還有在垂直領(lǐng)域的深度應(yīng)用智能客服。在神經(jīng)網(wǎng)絡(luò)翻譯領(lǐng)域，Microsoft Translator已經(jīng)可以與Google Translate相匹敵。

百度則順利度過了和語音技術(shù)的“七年之癢”， 從比較初的基于云端識別的互聯(lián)網(wǎng)應(yīng)用到如今成功將 HPC 技術(shù)移植到深度學習平臺，百度在語音技術(shù)方面的提升相當可觀。

此外，智能手機的語音技術(shù)也逐漸走向產(chǎn)品化，像老羅發(fā)布新機堅果Pro,搭載“閃念膠囊”功能，采用訊飛輸入法語音識別技術(shù)，一分鐘400字，抓住你的靈感一現(xiàn)。閃念膠囊其實就是一個語音技術(shù)，包括傳聞已久的蘋果 Siri 音響也有幾分延續(xù)語音產(chǎn)品化熱度的可能。

吳恩達表示，“至少在中國，我們會在接下來幾年時間普及語音識別應(yīng)用，讓人機溝通成為一件非常自然的事。你會很快習慣與機器流暢交流的時光，而忘記以前是如何與機器交互的。”

各大科技巨頭已經(jīng)紛紛搶灘智能語音市場，而人工智能的進步與發(fā)展也讓語音技術(shù)的識別突飛猛進。不過，從語音技術(shù)之爭到“語音技術(shù)+硬件”的較量，能夠看出只有能走進廣大消費者的語音技術(shù)才有可能真正打響第一槍。

語音技術(shù)發(fā)展痛點：深度算法+噪音識別+語義理解

回歸到現(xiàn)實人類與機器的語音交互場景，從第一批興起的智能手機語音技術(shù)到聊天機器人，更多時候是用戶適應(yīng)它們的習性，而不是反過來適應(yīng)用戶的習性。

聊天機器人的回復(fù)“牛頭不對馬尾”是常有的事，受到環(huán)境影響發(fā)揮失常；受到噪音干擾發(fā)揮失常；深度算法的復(fù)雜性限制實際應(yīng)用等都是亟待解決的問題。

比如“雞尾酒會效應(yīng)”人類可以在諸多人的講話中屏蔽掉次重點，捕捉比較想聽到的信息。而機器人面對嘈雜的語音技術(shù)怎么分出個主次搜索到有用信息？從目前市場上的聊天機器人來看，在噪音處理環(huán)節(jié)并沒有很理想。

對于復(fù)雜的語音環(huán)境來講，本身就很難達到普適性的要求。語言作為人類的天賦能否被人工智能所真正理解和學習，這將是語音交互中比較難攻克的問題之一。而對于極度復(fù)雜“語義理解”和“語音識別”來說則很有可能掉入“雞和蛋”的怪圈。

“認知方面的突破，現(xiàn)在還不知道猴年馬月?！闭Z音領(lǐng)域的權(quán)威專家黃學東坦言。

語音技術(shù)是在向移動客戶端叫板嗎？

剝開種種限制性條件，語音技術(shù)將要馳騁何方？假如深度算法難題、噪音處理問題、語音理解問題被一一攻克，那么語音技術(shù)將要接誰的盤？

PC時代我們更多使用文字，而移動時代，隨著語音技術(shù)的發(fā)展，我們將更少使用鍵盤（實體和虛擬），更多地使用語音與機器自然交互。隨著語音技術(shù)的不斷成熟，承載大批量APP的移動客戶端則有可能走向消亡。

比如：打車軟件、叫外賣、網(wǎng)上購物、播放音頻視頻文件……只需要你語音指示，后臺便可以執(zhí)行所有命令！就像可以幫你打電話的Siri，未來或許你只需要一個很小巧的隨身裝置，就像“借東西的阿莉埃蒂小人” 一樣，可以與你并肩作戰(zhàn)，聽得懂你的話，成為你耳朵、眼鏡、四肢的延伸與萬物互聯(lián)。

這不是科幻片或者動漫里的專屬場景，在數(shù)據(jù)資源、計算資源和算法技術(shù)的合力推動下，這一切都將可能成為現(xiàn)實。正如語音識別領(lǐng)域的技術(shù)大咖黃學東所言： “語音交互的發(fā)展是一個自然的過程，這是因為語音交互是一個無需觸碰設(shè)備即可完成的體驗，它可以讓人擺脫設(shè)備的枷鎖?！?/p>

從黃學東的論點中語音概念再一次被升華，也就是語音技術(shù)發(fā)展的終極意義：從根本上改變?nèi)藗兣c機器交互的方式。

筆者來看，語音技術(shù)之于移動客戶端，正如智能觸屏之于物理鍵盤，只要發(fā)展夠成熟，取代也只是時間問題。而目前我們更像是站在這個劃時代的轉(zhuǎn)折點上，一次徹底的跨越來源于更替技術(shù)的徹底醇熟，目前來看火候未到。