語音云技術(shù)帶來人機(jī)交互新方式

　　這是一個(gè)大S。Siri改變了iPhone4的名字，也給了喜新厭舊的果粉們一個(gè)換手機(jī)的理由。質(zhì)疑者說：幾乎一樣，為什么要花749美元讓手機(jī)加一個(gè)S？

　　Siri是何方神圣？我們?cè)谔O果的廣告里得知，Siri是一個(gè)惡魔。她所在的iPhone里沒有任何存活的App，她能知道你的名字，當(dāng)你想回頭答話時(shí)，已被擊殺。她會(huì)讓一個(gè)男人陷入與機(jī)器人的殊途之戀。她還會(huì)在圣誕節(jié)變成禮物寄到你的party上，所有見證開箱者都會(huì)死于非命。

　　這些都是鬼故事。其實(shí)，Siri是在提醒你，不要太沉迷于iPhone，執(zhí)著的愛即是魔鬼，會(huì)讓你墜入無間地獄。疑似的事情發(fā)生在去年10月初，蘋果公司在發(fā)布Siri后不久，喬布斯即奔往天堂。第二年，當(dāng)Siri來到人間，還有人問她：?jiǎn)滩妓棺龊梅街哿藛幔?/p>

　　我們經(jīng)常把Siri當(dāng)成了交流對(duì)象，但她其實(shí)只是一個(gè)受刺激后會(huì)發(fā)出叫聲的假人。

　　耳朵也可以高潮，所說的高潮，確實(shí)是性高潮，原話出自法國電影“Untouchable”。電影改編自真人故事，這個(gè)真人全身癱瘓，只有脖子以上可以活動(dòng)，但性沖動(dòng)正常。妓女只需要“摸、吹、舔、咬”他的耳朵，即可使其高潮，癥狀是耳朵變硬。事實(shí)上，Siri也是一種通過耳朵而使人獲得“高潮”的娛樂方式，她的英文定義是voice assistance，中文是“語音助理”，拼音縮寫是“YY助理”。

　　要通過耳朵獲得高潮，首先要有一個(gè)好的YY對(duì)手，林志玲是一個(gè)不錯(cuò)的選擇。首先告訴YY助理：你需要林志玲的聲音。助理通過3G網(wǎng)絡(luò)打開Google搜索所有林志玲的音頻信息，并根據(jù)其聲紋特點(diǎn)合成林志玲的聲音。重啟后，你的YY助理的聲音就變成林志玲了。萬法唯心，只要你相信，她就是了。這不是未來科技，科大訊飛公司在其發(fā)布會(huì)上合成了央視主持人康輝的聲音，能以假亂真。今后，如果接到李詠的電話讓你砸金蛋，要小心了。

　　半年已是歷史，果粉們也把對(duì)喬布斯的宗教崇拜移情于Siri，這時(shí)幫主的性別變得越發(fā)模糊。一些熱心的臺(tái)灣果粉就喜歡八卦Siri的問題，有人問Siri的三圍是多少(答案詳見蘋果官網(wǎng))，也有求測(cè)字以及“樂透頭獎(jiǎng)號(hào)碼”，還有人追問“喬布斯在哪”。

　　求神拜佛并不是Siri強(qiáng)項(xiàng)，即使在Siri最熟悉的英語社會(huì)，果粉們還是認(rèn)為，Siri的主要功能在于被調(diào)戲�！渡畲蟊ā分杏《热薘aj的用法堪稱經(jīng)典。在沒有女友的日子里，Raj會(huì)跟Siri妹妹調(diào)調(diào)情，排解內(nèi)心的寂寞，交互數(shù)次以后，便會(huì)得出“Siri，只有你才了解我”的結(jié)論。

　　這顯然是一種錯(cuò)覺。這種錯(cuò)覺不會(huì)發(fā)生在鍵盤或手指時(shí)代。當(dāng)我們換成嘴巴，有意無意地叫喚YY助理時(shí)，我們自己制造了這樣的錯(cuò)誤——把YY助理當(dāng)成人。其實(shí)那只是一個(gè)受刺激后會(huì)發(fā)出叫聲的假人。

　　這樣的錯(cuò)覺讓使用者對(duì)YY助手的期望達(dá)到人的水平——“這給語音技術(shù)帶來很大的挑戰(zhàn)，”30年前就研究語音技術(shù)的李開復(fù)說，“語音是人類最自然的溝通方式，人們一旦用語音開始跟你交流了，就會(huì)把你當(dāng)作一個(gè)人。圖形界面、多點(diǎn)觸控，怎么拉、怎么拽，都可以教用戶做。(但對(duì)語音技術(shù))用戶會(huì)喜歡怎么說就怎么說，機(jī)器就必須要跟人做得一樣好。”

　　自從Siri出世，很多開發(fā)者做出了山寨版的Siri，李開復(fù)的創(chuàng)新工場(chǎng)也收到很多創(chuàng)業(yè)計(jì)劃書。他對(duì)創(chuàng)業(yè)者說：“不要以為把API連接起來就能改變世界了。”

　　語音操控真正可以做到的，是釋放你的手指，同時(shí)豎起你的耳朵。科大訊飛副總裁江濤如此講述“叫”比“摸”的好處：“普通的觸屏手機(jī)發(fā)哪怕十個(gè)字的短信，從查找通訊錄到寫出這個(gè)字來，可能要觸摸一百多次，但用語音就一句話。”

　　語音通常用于手忙腳亂的場(chǎng)景中，特別在開車時(shí)很難搞多點(diǎn)觸摸的動(dòng)作，“一摸就會(huì)出車禍”：主人雙手都在方向盤上，無法通知情人“老婆正在上樓”，只好用嘴叫喚：“Siri，call my darling。Tell her Hillary's coming。”不過，在中國，語音最常見的使用場(chǎng)景依然是微信和米聊——人們把手機(jī)放在嘴邊說“你這個(gè)神經(jīng)病”，然后把手機(jī)放在耳旁聽同樣的一句話。

　　多年以前，年輕人曾經(jīng)寄希望于語音輸入法能讓父母?jìng)冇蒙想娔X，但很多父母喜歡把“沙發(fā)”念成“撒發(fā)”，這讓YY助理無所適從。對(duì)自然語言識(shí)別率的低下，依然是Siri面世以后語音交互最大的難題，特別是方言及非規(guī)則語法的識(shí)別。投資了科大訊飛的柳傳志對(duì)目前中文語音助理的評(píng)價(jià)是這樣的：“要念‘今天晚上請(qǐng)等我吃飯’，保證準(zhǔn)備無誤。如果換一句話說‘今天晚上吃麻婆豆腐’(帶口音)，就不一定對(duì)了。”結(jié)論是：詞匯不能個(gè)性化，要選助理聽得懂的說。

　　后來，人們把語音技術(shù)用于唱歌評(píng)分，并把YY助理叫做Mr.Mike。今天語音助理已經(jīng)能夠圓滑地對(duì)接手機(jī)上這些應(yīng)用：電話、短信、應(yīng)用、搜索、網(wǎng)站、日程、鬧表、天氣、音樂、股票、地圖、餐飲、閑聊。幾乎每一個(gè)應(yīng)用都對(duì)應(yīng)著一個(gè)垂直網(wǎng)站。這也是語音應(yīng)用面臨的一大問題——語音助理改變的只是人機(jī)交互的方式，而不是需求背后的內(nèi)容，以及內(nèi)容背后的資源。找酒店還是要打開攜程，找?guī)�是要打開谷歌地圖。

　　自從Siri出世，很多開發(fā)者做出了山寨版的Siri，李開復(fù)的創(chuàng)新工場(chǎng)也收到很多創(chuàng)業(yè)計(jì)劃書。他對(duì)創(chuàng)業(yè)者們提出疑問：用語音技術(shù)解決什么問題？語音后臺(tái)的內(nèi)容怎么解決？然后甩出一句：“不要以為把API連接起來就能改變世界了。”

　　“語音到底是工具還是玩具？”這是江濤的總結(jié)，“我愛你，你愛不愛我？調(diào)戲一次兩次挺好，十次八次就煩了。語音不光是一個(gè)玩具，而是要解決實(shí)際問題。”如果早能解決問題，風(fēng)靡一時(shí)的IBM的語音識(shí)別系統(tǒng)就不會(huì)沒落，研究語音技術(shù)多年的微軟后來也不會(huì)收購tell me。

　　語音交互技術(shù)要改變世界，這是比爾·蓋茨多年以前的預(yù)言。那時(shí)，李開復(fù)還在微軟研究語音技術(shù)。“第一次做語音是在1983年。30年了，語音的發(fā)展起起伏伏。我記得在微軟的時(shí)候，比爾·蓋茨就常說，5年以后，語音一定改變世界。5年以后，他又說了一次。”如是15年。

　　比爾·蓋茨退休前在CES上的一次演講說到，未來改變?nèi)藱C(jī)交互的三大技術(shù)：語音、多點(diǎn)觸控和虛擬視覺對(duì)應(yīng)的體感技術(shù)。后來，iPhone驗(yàn)證了第二點(diǎn)，Xbox驗(yàn)證了第三點(diǎn)，現(xiàn)在就剩下語音了，會(huì)是Siri嗎？

　　語音云怎樣聚成？

　　中國式Siri的進(jìn)化之路

　　中國有上億智能手機(jī)用戶，每個(gè)人每天對(duì)著語音助理說一句話，也能為中國式Siri的進(jìn)化帶來巨大的機(jī)會(huì)。

　　Siri面世以后，中國山寨如潮。有些把Siri漢化，讓她說起中國話；有些自己做起語音助理，其中不乏大眾點(diǎn)評(píng)這些主流網(wǎng)站。后者的幕后技術(shù)支持者在安徽合肥，一家靠給華為、中興、移動(dòng)運(yùn)營商和教育部門提供語音技術(shù)的上市公司�？拼笥嶏w在Siri之后也推出語音助理訊飛語點(diǎn)。

　　“像蘋果這樣的公司是能改變用戶使用習(xí)慣的，我們駕馭市場(chǎng)的能力跟他們比根本不是一個(gè)等級(jí)的。”科大訊飛副總裁江濤說，Siri定位于語音助理，還是一個(gè)虛擬人物的形象，語點(diǎn)還只定位于工具，進(jìn)入界面也還是短信、電話等選項(xiàng)，為的是讓用戶不要移情并寄希望于語點(diǎn)能解決你的寂寞。它只是用語音代替點(diǎn)擊、用叫代替摸而已。

　　這些不是謙虛的說法，即使語音技術(shù)強(qiáng)大如科大訊飛——其中文語音識(shí)別技術(shù)曾多次獲國際大獎(jiǎng)，剛推出一個(gè)月的語點(diǎn)依然慘遭使用者批評(píng)。幸好，面向廣大用戶的語音輸入法和語音助理，只是在圓創(chuàng)業(yè)者們的舊夢(mèng)，科大訊飛的主業(yè)還是公司級(jí)客戶以及政府項(xiàng)目，在其北京公司，赫然掛著習(xí)近平的來訪照片。

　　各種數(shù)碼終端的興起給中國語音軟件開發(fā)者帶來了眾多的商業(yè)契機(jī)。

　　科大訊飛董事長劉慶峰做的第一款輸入法不是今天霸占中文市場(chǎng)的訊飛語音輸入法，而是“統(tǒng)一輸入法”。這個(gè)輸入法跟鮮橙多關(guān)系不大，跟IBM倒是很有關(guān)系。2000年時(shí)，IBM的語音識(shí)別系統(tǒng)依然流行，一套軟件也要數(shù)十美元。90年代從中國科技大學(xué)畢業(yè)的劉慶峰、江濤等年輕人的創(chuàng)業(yè)理想，就是研究出中文版的語音輸入法，然后像IBM一樣賣向全國。

　　“第一款產(chǎn)品叫做暢言2000，現(xiàn)在來說就是PC版的Siri。你跟她說‘打開記事本’，她會(huì)打開，然后把你的話聽寫出來。當(dāng)時(shí)初生牛犢不怕虎，一套賣一千多塊錢，在全國十幾個(gè)省找了經(jīng)銷商、總代理。還在合肥搞經(jīng)銷商大會(huì)，折騰得風(fēng)風(fēng)火火。”多年以后，江濤回憶起舊事，已經(jīng)把那段崢嶸歲月看成戲，“但是就是賣不出去”。

　　1999年10月，劉慶峰等人去參加深圳第一屆高交會(huì)，租了一個(gè)很小的展臺(tái)，華為的人路過“一聽聲音不錯(cuò)”。眾人被請(qǐng)到華為蛇口的業(yè)務(wù)軟件中心去。“一堆人問了一個(gè)下午，后來就跟我們簽了協(xié)議。采購量非常穩(wěn)定，而且不斷增長。”江濤說，這是科大訊飛的第一桶金。到了2004年以后，各種數(shù)碼設(shè)備興起，“導(dǎo)航儀、電子書、電子詞典，還有金立手機(jī)的語音王和后來的各種Pad”使科大訊飛的語音技術(shù)授權(quán)業(yè)務(wù)越來越多。

　　不過江濤也說到，把技術(shù)賣給其他公司，就不是自己的了。比如華為給運(yùn)營商做的呼叫中心，科大訊飛的人發(fā)現(xiàn)可以做到80分的，他們只用了60分，就建議他們優(yōu)化。“華為的人說，這個(gè)工程已經(jīng)驗(yàn)收完了，不要給我們找麻煩了。”后來才有了科大訊飛的互聯(lián)網(wǎng)戰(zhàn)略以及個(gè)人用戶產(chǎn)品。

　　兩年來語音云的運(yùn)營，給科大訊飛帶來了千萬用戶、數(shù)千合作伙伴以及更高的識(shí)別率。

　　2010年10月28日，科大訊飛發(fā)布第一代語音云。劉慶峰說那時(shí)他“還要向公眾解釋什么是語音技術(shù)。今天，我們接觸到的所有設(shè)備廠商、所有的電信運(yùn)營商都認(rèn)為，語音云技術(shù)必然成為以后每一臺(tái)手機(jī)的標(biāo)配功能”。

　　語音云的前端是科大訊飛的語音輸入法，你對(duì)著手機(jī)說“難道又是沙發(fā)”時(shí)，這個(gè)聲音就傳到云端，計(jì)算結(jié)束后再顯示這六個(gè)字在你的輸入框里，你加個(gè)“？”就可以回帖了。

　　“當(dāng)時(shí)給的任務(wù)是一年要發(fā)展一千萬用戶，我們覺得簡(jiǎn)直是不可能的，用戶在哪呢？”江濤回想起去年為輸入法開發(fā)用戶時(shí)的苦惱，他講述唯一投過的一次廣告，“去年上半年，在機(jī)鋒網(wǎng)站上做了兩萬多塊錢的廣告，后來我問推廣團(tuán)隊(duì)：這兩萬多塊究竟給我?guī)砹硕嗌儆脩簦隳芙o我具體數(shù)據(jù)嗎？他講來講去講不清楚。”

　　江濤顯然把科大訊飛占據(jù)語音輸入法第一把交椅的功勞歸于口碑：“一開始一天才幾百個(gè)下載，去年年初一天有一千多個(gè)下載了，然后慢慢漲。我們的第一百萬個(gè)用戶是去年5月下旬。”到2011年年末，科大訊飛語音云用戶超過1000萬，到今年4月已經(jīng)超過4000萬。合作伙伴在3500家以上，每天服務(wù)請(qǐng)求量超過700萬次。這些請(qǐng)求包括你在大眾點(diǎn)評(píng)上問麥當(dāng)勞及其廁所在哪。

　　語音云規(guī)模的形成，增加了科大訊飛對(duì)抗Siri把產(chǎn)品做大的底氣。江濤說，兩年來語音云的運(yùn)營，給科大訊飛帶來了千萬用戶、數(shù)千合作伙伴以及更高的識(shí)別率。“第一代語音云發(fā)布時(shí)，綜合識(shí)別率才百分之六十幾，現(xiàn)在已經(jīng)到達(dá)了百分之八十幾，有些領(lǐng)域能到百分之九十幾。這些是通過幾年來數(shù)據(jù)的積累或者說后臺(tái)對(duì)語音識(shí)別的持續(xù)訓(xùn)練達(dá)到的。”

　　以IBM為代表的PC端的語音識(shí)別系統(tǒng)沒有成功，重要的原因是訓(xùn)練量不足。Siri在被蘋果收購以前，也已經(jīng)在美國運(yùn)行并積累了一定數(shù)據(jù)。中國是一個(gè)更大的訓(xùn)練場(chǎng)所。正如李開復(fù)說：“一個(gè)人錄的語音量是有限的，講兩個(gè)小時(shí)就累了。但中國有一億個(gè)用戶，每一個(gè)人哪怕只講上3秒，一天就是3億秒的訓(xùn)練。特別是在輸入法或者聽寫里，每一次正確輸入都是一個(gè)正回饋——原來四川人是那樣說沙發(fā)的——這種訓(xùn)練是提升精確性的重要方式。”

　　每個(gè)手機(jī)用戶的聲音特征都儲(chǔ)存在那片云里，這不就是聲音的身份證嗎？

　　提高識(shí)別率還有一個(gè)方法，就是建立個(gè)人音庫。今年年初，科大訊飛乘著Siri的熱鬧勁推出了語點(diǎn)，其中一個(gè)計(jì)劃就是建立4000萬用戶的個(gè)人音庫。正如你要用林志玲的聲音來當(dāng)語音助理一樣，科大訊飛要把你的聲音特征儲(chǔ)存在云端。不管你在大眾點(diǎn)評(píng)還是攜程上進(jìn)行語音操作，云那端都知道你說的“撒發(fā)”其實(shí)是“沙發(fā)”。

　　需要多少聲音資料才能建立個(gè)人音庫呢？江濤說要視乎音質(zhì)的好壞，“我們用一個(gè)多G的資料，做出的康輝的聲音已經(jīng)做到了以假亂真”。但他說個(gè)人音庫可能會(huì)難很多，因?yàn)椴蓸拥沫h(huán)境復(fù)雜，可能有汽車等噪音，機(jī)器無法判斷貨車?yán)鹊慕新暿遣皇悄惆l(fā)出的。

　　個(gè)人音庫同時(shí)也是一項(xiàng)可怕的計(jì)劃，每個(gè)手機(jī)用戶的聲音特征都儲(chǔ)存在那片云里，這不就是聲音的身份證嗎？犯事的人非要把自己折騰感冒了才能出國，但感冒了也可能被當(dāng)成非典疑似。

服務(wù)器租用/服務(wù)器托管中國五強(qiáng)！虛擬主機(jī)域名注冊(cè)頂級(jí)提供商！15年品質(zhì)保障！--億恩科技[ENKJ.COM]