從兩年多前，亞馬遜推出智能音箱Echo以來，谷歌、微軟、蘋果等科技巨頭先后涌入成為行業(yè)領(lǐng)跑者，他們的加入也將起初默默無聞的智能音箱，變成了如今炙手可熱的智能硬件。亞馬遜Echo現(xiàn)在的銷量已超過10億美元。

給這股熱潮更添一把火的還有中國市場的科技巨頭們。

7月5日，阿里巴巴集團在京發(fā)布首款人工智能音箱產(chǎn)品，未來其功能上或與電商購物相結(jié)合，幾乎同期，充當?shù)谌胶献骰锇榈囊魳奉惼放葡柴R拉雅FM代表音頻內(nèi)容提供方，也推出了自己的小雅AI音箱；另一家電商巨頭京東也在此前率先發(fā)布了智能音箱“叮咚”以希望占領(lǐng)智能家居領(lǐng)域的入口；此前騰訊高層也公開表態(tài)稱，騰訊智能音箱產(chǎn)品“耳朵”將于8月前后發(fā)布。小米、百度、聯(lián)想等也推出了智能音箱產(chǎn)品。至此，中國的BAT巨頭們幾乎聚齊在智能音箱領(lǐng)域。

智能音箱之所以會被巨頭青睞，很重要一個原因是，其便捷的語音交互可以提供查詢、購買商品、控制家電等功能，這被看作是智能家庭的入口和下一代人機交互界面的重要載體。

而這些當然不是全球知名科技公司的憑空想象，有數(shù)據(jù)顯示，在美國，約有近4000萬用戶每月會使用一次語音操控的音箱。市場調(diào)研機構(gòu)StrategyAnalytics指出，2016年智能音箱全球出貨量590萬臺，并將在2022年增長10倍，市場價值達到55億美元。

更有第三方機構(gòu)預測，到2018年，30%的人機交互通過自然語言完成，2018年有望成為智能音箱爆棚式發(fā)展的關(guān)鍵一年。

面對國內(nèi)智能音箱這一現(xiàn)象級熱潮，F(xiàn)T找到了海外在智能語音技術(shù)上有不同側(cè)重的兩家公司的核心研發(fā)人員，跟他們聊聊硬件背后，智能語音識別技術(shù)的那些事。

在過去的幾年，Pawel觀察到了市面上越來越多的智能語音產(chǎn)品， 在他看來這是一個信號，“新的改革將要到來，因為一系列產(chǎn)品正在改變?nèi)藗兊娜粘Ｉ睿珹mazon Echo就是很好的例子，它讓人們意識到?jīng)]有語音助手會不方便，就好比生活中沒有智能手機。”

Emotech作為一家技術(shù)驅(qū)動的創(chuàng)業(yè)公司，研發(fā)團隊在智能語音上，經(jīng)常會嘗試添加一些類人的技術(shù)，“讓設(shè)備可以更好的理解非語音的提示，并且更具表現(xiàn)力的作出回應。簡單來說，我們想創(chuàng)造一個與人們生活方式相兼容的設(shè)備。” Pawel解釋道，與其他初創(chuàng)公司相比，在Emotech，最具特色的是，嘗試利用硬件和軟件平臺來提供個性化的助理解決方案，而其他大部分初創(chuàng)公司，只會專注于硬件或軟件中的其中一個。

Emotech的Olly機器人在語音識別研發(fā)上，一開始團隊就從公開的語料庫中構(gòu)建種子模型，然后不斷迭代和收集更多匹配的域內(nèi)數(shù)據(jù)，讓它更適應真實的聲學環(huán)境。Olly除了硬件，還有擁有專利的類腦引擎、機器人心理學架構(gòu)、智能語音識別等軟件上的研發(fā)。

Pawel透露，經(jīng)過產(chǎn)品的迭代，Olly除了能夠?qū)崿F(xiàn)語義和語音識別外，還能通過語音和人臉識別更為精準地辨識出用戶的身份，滿足用戶的需求。Olly還可以檢測到用戶的情緒變化，并通過LED 顏色，形狀的變化和自身的運動和與他們進行情感互動，這也是Olly最為獨特的地方。

作為女性，Marily則很善于從用戶的角度來尋求改進語音識別技術(shù)的智能性。

Marily非常喜歡做飯，但在做飯的場景中，很難使用手機，所以在做飯的時候，Marily幾乎每天都會用到手機的譯寫功能，跟家人和朋友發(fā)信息聊天，“聲音識別在烹飪方面用處真的很大，尤其是你需要計時，或者需要一張根據(jù)冰箱現(xiàn)有食材專門制定菜譜的時候。” 而這正是智能語音識別在生活應用場景中及其有需求的地方。

電腦可以將語音轉(zhuǎn)化成文字，在Marily看來是非常奇妙的事。事實上，在20世紀20年代，語音識別技術(shù)就已經(jīng)出現(xiàn)了，一開始，這項技術(shù)智能識別某一特定人說的數(shù)字，到了1962年，IBM創(chuàng)立的系統(tǒng)就能識別16個單詞的單詞了。到了70年代，語音識別系統(tǒng)就能辨別出不同人的聲音了，不過，需要說話人說一句停頓一句。

Marily說，如今的語音識別系統(tǒng)建立在隱馬爾可夫模型的基礎(chǔ)上。其原理是，通過已知的聲音創(chuàng)建隨機模型，將其與某一特定模型產(chǎn)生的未知聲音進行匹配。也就是說，這個模型下的語音識別技術(shù)可以讓機器準確地“猜”出我們要說什么。不過像其他預測行為一樣，這需要大量的數(shù)據(jù)分析作為系統(tǒng)運轉(zhuǎn)的原動力，“數(shù)據(jù)的可獲得性是語音識別‘預測’的瓶頸、但我相信在未來會越來越多地接觸到語音識別的應用，如果我們能想到在嶄新的未來里有什么，我們就會真的在那時候真的得到什么。”

如今在Marily的生活中智能語音幾乎無處不在，她會在出門的時候問Siri要不要帶傘，用臉書的M制定計劃和完成付款，然后告訴Google Home調(diào)暗起居室的光線并打開電視看《權(quán)利的游戲》。Alexa會自動幫她在亞馬遜上訂貨品。“我最喜歡的Google Home的語音識別功能是，它能通過匹配身份和聲音‘知道’誰在跟它說話。” Marily說。

Pawel所在的Emotech和Marily所在的谷歌，是聚焦智能語音研究的位于產(chǎn)業(yè)鏈兩端的公司，一家是巨無霸，一家是有特色研發(fā)能力的初創(chuàng)公司，因此，這也造就了他們在智能語音研發(fā)上的不同思路，Pawel的體驗是，大公司能提供更專注的工作環(huán)境，“你被分配了一個明確的問題，你可以花幾個月去解決這個問題。”而在初創(chuàng)公司，目標可能會發(fā)生很大的變化，“你將因為目標的變化而改變你將面對的問題，通常超出你的舒適范圍度。”

在Pawel看來，在初創(chuàng)公司工作好比一場冒險，沿途有許多起伏。“在Emotech，我們經(jīng)常在非常緊迫的時間內(nèi)開發(fā)、整合和測試某些模塊，這個過程并不容易。最重要的部分是要學會靈活，持久和耐心。”

盡管有谷歌的大公司背景，Marily最近也在做另一個嘗試，“以黑客松項目為起點，嘗試建立初創(chuàng)公司”，這兩個身份一個傾向于學界研究，以將假設(shè)通過探索方式得到驗證為目的，一個則需要考慮工業(yè)應用商業(yè)落地，初創(chuàng)公司需要找到“歸宿”并且要充滿激情，這兩件事都讓Marily覺得有吸引力。

事實上，面對全新的領(lǐng)域，無論是創(chuàng)業(yè)公司還是科技巨頭，都不可避免的走在不斷試錯的路上。而商業(yè)化和技術(shù)研發(fā)的關(guān)系有并存也會有某種程度上的制約，作為一個身在商業(yè)公司的研發(fā)人員，Pawel則有更為客觀的看法，他認為，所有的研發(fā)都需要開支，這些開支總是要想辦法為它買單。這就需要公司參與者，找到一個真正的平衡點，Pawel認為這個平衡點就是，做能讓人們生活更加美好的科技。

智能語音識別正是符合這一觀點的新技術(shù)，“這在某種程度上加強了一種相輔相成關(guān)系，人們使用語音識別的機會越多，產(chǎn)品就會變得越好，商業(yè)公司就會不斷的改進產(chǎn)品，因為產(chǎn)品使用率變高，就會收集到更多必要的數(shù)據(jù)，這也是改進產(chǎn)品一個重要途徑。” Pawel說。

作為學界和科技公司的一線從業(yè)者，在英國，Pawel、Marily經(jīng)常會參加行業(yè)聚會。

讓Marily感受最深的是，在頭腦風暴的過程中，往往給他們帶來新點子和新產(chǎn)品，“有時候這些討論成果會直接導致新的產(chǎn)品開發(fā)團隊的形成。谷歌街景還有臉書的視頻類產(chǎn)品就是這樣誕生的。”Marily說，最近一次，她參加的一項行業(yè)聚會，跟圈內(nèi)的朋友暢聊了新技術(shù)、出版物、電子等話題，在她看來，有時候看似不相關(guān)的行業(yè)，對于人工智能亦或是智能語音識別，都能提升潛在的協(xié)同效應。

而這種源自不同文化專業(yè)背景和思維方式的頭腦風暴，在Emotech團隊中也常常發(fā)生。Emotech的團隊構(gòu)成非常多元化，30個員工擁有22種母語，而且不同于傳統(tǒng)科技公司只有科學家和程序員，這里還有音樂家、游戲師、心理專家等各種背景的組合。

談及未來公司在智能語音方面的發(fā)展規(guī)劃，Pawel說，Emotech會更加努力提升ASR（自動語音識別）系統(tǒng)，使其能讓多個人同時說話，或者在非常嘈雜的環(huán)境中工作，例如雞尾酒會的場景。這將會產(chǎn)生一些有趣的應用程序，“讓設(shè)備可以收集多個聲源或只關(guān)注某一個談話者無視其他的，我希望能建立會話界面使用的更多模式，因為當任務和對話界面一樣復雜時，許多信息時隱藏在對話之間的。”有趣的是，人類本身也并沒有很好的掌握同時聽多個人說話的技能，相反在噪聲或混響聲環(huán)境中只會注意單個說話者。

而對Marily來說，談及未來，讓她首先想到了60年代的科幻電影，“當時我們覺得跟機器說話是完全虛構(gòu)的，現(xiàn)在小說的描述已經(jīng)變成現(xiàn)實。我們已經(jīng)擁有了自己的AI助手，他們在外形上可能不像一個機器人，但是他們已經(jīng)在這兒了，還可以由我們隨心支配。”基于這樣的基礎(chǔ)，她認為未來人們能夠定制自己的AI助理，并能定制它們的聲音和外貌。

Marily大膽的暢想了一下未來的場景，自己的AI助理將會為個人的生活量身打造，會根據(jù)時間和地點自動做出調(diào)整。它們會學著如何“理解”主人的需求。比如，可以讓自己的AI助理像某個自己非常喜歡的演員，這只是科技公司將AI技術(shù)變成現(xiàn)實的無數(shù)個例子中的一個而已。

而個人助理和AI語音識別技術(shù)的關(guān)聯(lián)是，科技正在改變?nèi)藱C交互的方式，語音識別會讓人性化的人機交互成為可能。“我非常期待看到未來AI和語音識別技術(shù)將會走向何方，在我得到自己的C3PO之前，一切都有可能。”

Marily說，她常常會在技術(shù)中發(fā)現(xiàn)“缺口”然后找到創(chuàng)新的方式去填補，她相信用戶們總能“秀”出下一代技術(shù)或者產(chǎn)品是什么，因此追蹤用戶是一件非常有意思的事情，這也是她初創(chuàng)公司建立的靈感來源。“假設(shè)我們是用戶，特別喜歡某個產(chǎn)品，但很明顯地它存在著某種缺憾，要怎樣完善這個缺憾呢？與其臨淵羨魚，不如退而結(jié)網(wǎng)，想想你自己的使命是什么然后去實現(xiàn)吧。”

可以看到的是，語音交互是現(xiàn)在智能家居領(lǐng)域最高頻的應用之一，已經(jīng)可以實現(xiàn)的是，智能語音跟電視、音響、空調(diào)、窗簾、燈具、玩具等家用設(shè)備、智能家居控制中樞系統(tǒng)相結(jié)合，通過語音交互實現(xiàn)從入口控制全部的功能，伴隨像巨頭谷歌、創(chuàng)業(yè)公司Emotech一樣的公司的不斷努力，未來智能語音的便捷交互還有更多值得期待。

Pawel Swietojanski（簡稱Pawel）是歐洲頂尖人工智能創(chuàng)業(yè)公司Emotech 團隊，智能家用機器人Olly的語音識別研究員，Emotech是一家技術(shù)驅(qū)動的人工智能創(chuàng)業(yè)公司。2016年11月，在CES會展上，Emotech的智能情感機器人Olly獲得四項創(chuàng)新大獎，2016年8月，該項目完成總額1000萬美元的A輪融資。智能語音識別一直是公司最為重視的基礎(chǔ)架構(gòu)之一。

在加入Emotech之前，Pawel是愛丁堡大學語音技術(shù)研究中心的博士生。他發(fā)表過多篇語音和語言處理的文章，對語音識別聲學建模的頗有貢獻，他的兩篇論文分別獲得了電氣電工程師學會口語技術(shù)最佳論文和IBM 研究口語技術(shù)最佳學生論文獎 。他還曾兩次在微軟公司實習，并曾獲邀成為日本情報通信研究機構(gòu)訪問研究員。

Marily Nika（下稱Marily） 擁有倫敦帝國理工學院計算機科學系博士學位，曾創(chuàng)力預測互聯(lián)網(wǎng)現(xiàn)象——病毒式傳播的模型，讀博期間，她曾先后在Google和Facebook 做數(shù)據(jù)分析員，畢業(yè)后她加入Google硅谷成為工程項目經(jīng)理，參與Google Assistant, Google Home和數(shù)據(jù)&人工智能的研發(fā)與管理。她先后三次在TEDx 登臺演講，并在2015年獲得了科學與工程領(lǐng)域有影響力女性獎。帝國理工學院因為她在科技領(lǐng)域中的卓越貢獻授予了她獎章。她也是第一個獲得Google 安妮塔·博格紀念獎學金的女性極客。如今，Marily也是 EdTech創(chuàng)業(yè)公司的CEO。