AI語音：解放雙手，解放思維

王煜

國內(nèi)的智能家電還沒有那么普及，消費者也還沒有將一般家電更換為智能家電的剛需。這或許將讓智能音箱在我國成為一個“偽痛點”“偽需求”。

相比AI的其他領(lǐng)域，語言智能產(chǎn)業(yè)與產(chǎn)品的應(yīng)用行業(yè)更顯親近和自然。手機、智能家居、育兒機器人等設(shè)備都離不開語音語言的交互應(yīng)用，隨著科技巨頭們的資本涌入，語言智能成為爭奪未來智能家居和高端信息服務(wù)市場的入口。

在分析領(lǐng)域，機器通過對人類語言文本的學(xué)習(xí)、理解獲取世界知識和常識，進而幫助人類完成復(fù)雜問題的求解和分析預(yù)測，提供更加人性化的知識服務(wù)，已是可以預(yù)期的未來。而就傳統(tǒng)行業(yè)而言，語音技術(shù)的滲入對于普通大眾來說是一件好事，它將給我們的生活帶來實質(zhì)性的改變。

智能音箱：物聯(lián)網(wǎng)新入口

說到AI語音識別和交互，你現(xiàn)在還只想到語音輸入法或者Siri這樣存在于手機里的App，那就太跟不上時代了。連蘋果自己在不久前的WWDC大會上也發(fā)布了Siri的“實體化”產(chǎn)品Homepod，這正是一款智能音箱產(chǎn)品。

問題來了：音箱能有多智能？實際上，智能音箱只是它外觀的直觀描述，它真正扮演的是智能家居的樞紐角色，是一個智能機器人管家。想象一下，有了智能音箱（假設(shè)它名字叫“小英”），以后你早上睜開眼睛的第一件事不是去拿手機看時間，而是隨意對著空氣喊一聲：“小英，幾點了？”從擺在桌角的智能音箱里馬上傳來自然的人聲，告訴你現(xiàn)在的時間，并且問你“現(xiàn)在要起床嗎？”得到肯定的答復(fù)后，小英自動打開了電動窗簾，讓陽光照進房間，緊接著問了一句：“需要點音樂或者聽段新聞幫助清醒嗎？”你直接說出想聽的音樂、新聞的名稱或者關(guān)鍵詞，很快音箱里就響起了你要聽的東西。穿衣服的時間里，你想起有封郵件不知昨晚深夜是否已收到，“小英，給我查一下郵件。”一會兒，新郵件的標(biāo)題就被讀了出來……

當(dāng)然，這是一個理想的場景，但目前AI語音識別和交互技術(shù)的現(xiàn)實水平，離這也并不遙遠(yuǎn)了。國內(nèi)外的智能音箱產(chǎn)品都已經(jīng)做到在一個普通房間大小的空間范圍內(nèi)，靈敏地識別人聲;并且在有一定的環(huán)境噪音存在時，語音的識別和交互也不會受到顯著影響。

相對于與手機做語音交互而言，智能音箱的進步就是解放了人的雙手，讓人機交互更加自然。正如阿里人工智能實驗室負(fù)責(zé)人陳麗娟所說：“語言是人與人之間最主要的溝通方式，也應(yīng)該是人與另外一種智能進行交流的主要方式。”

因為具備語音交互能力的智能音箱有成為智能家居控制中心的能力，近兩年國內(nèi)外科技巨頭紛紛推出自己的智能音箱產(chǎn)品，搶占物聯(lián)網(wǎng)的重要入口。2014年11月，亞馬遜先人一步推出智能音箱Echo占領(lǐng)市場;2016年5月，谷歌的Google Home亮相;微軟等企業(yè)也不甘寂寞。進入2017年，中國的BAT也在加緊追趕，7月初，百度宣布收購美國語音交互技術(shù)公司KITT.AI;同一天阿里發(fā)布智能音箱“天貓精靈X1”;此前的6月底，騰訊發(fā)布了智能語音解決方案“小微”;更早的2015年，京東聯(lián)合科大訊飛推出了“叮咚音箱”。

目前亞馬遜仍以絕對優(yōu)勢領(lǐng)跑家用智能音箱市場，在全球家用智能音箱市場份額占比超過40%。但亞馬遜在這個領(lǐng)域的成功遠(yuǎn)非率先推出幾款硬件產(chǎn)品那么簡單。實際上，在2014年推出Echo后不久，亞馬遜就宣布將Alexa語音平臺開放給第三方，不但包括智能家居軟件開發(fā)人員，還包括智能家居硬件制造商。開放平臺的策略給Alexa帶來巨大的發(fā)展空間。據(jù)亞馬遜公開的數(shù)據(jù)，Alexa在2014年最初發(fā)布時只有13個內(nèi)嵌的技能，而目前兼容的應(yīng)用已經(jīng)超過1.5萬個，它已成為諸多智能硬件產(chǎn)品的“標(biāo)配”：華為的智能手機、LG的家庭機器人、惠而浦的洗衣機、福特的汽車等，都搭載了Alexa平臺。Alexa成為了基于語音媒介的全新操作系統(tǒng)，這是其智能音箱產(chǎn)品可以成為智能家居中心的關(guān)鍵。

伴隨著智能家居市場的高速擴張，智能語音行業(yè)有望迎來爆發(fā)式增長。市場研究公司Tractica估計，到2021年將有4000萬家庭使用基于語音的數(shù)字助手。調(diào)研機構(gòu)Strategy Analytics指出，2016年全球智能音箱出貨量為590萬臺，預(yù)計到2022年將增長10倍，市場規(guī)模達(dá)到55億美元。

盡管目前來看，各大開發(fā)商還無法通過智能語音應(yīng)用程序直接獲利，但從亞馬遜公布的數(shù)據(jù)來看，智能音箱產(chǎn)品有助于引導(dǎo)用戶消費需求，從而實現(xiàn)更多增值收入。

AI語音助力智能醫(yī)療

在醫(yī)院里，一位醫(yī)生一邊看X光片，一邊對著手里的麥克風(fēng)說：“核對患者及手術(shù)標(biāo)記無誤，麻醉成功后，清潔手術(shù)區(qū)域皮膚，給予靜脈預(yù)防抗生素.....”語音實時轉(zhuǎn)化成文字，自動輸入進電腦里，記錄在了患者的電子病歷上，而且基本沒有錯別字，不需要修改。

這是現(xiàn)實的場景。它發(fā)生在北京協(xié)和醫(yī)院，智能語音病歷錄入系統(tǒng)的應(yīng)用，讓平均每個醫(yī)生每天整理病例的時間從超過3小時，降低到了1小時。

開發(fā)該醫(yī)院語音技術(shù)的企業(yè)是“云知聲”。當(dāng)年進入這個領(lǐng)域時，Siri等各種語音助手很火，但該企業(yè)的負(fù)責(zé)人認(rèn)為，“這類語音助手注定是個偽命題，一定不會成功。”在他們看來，AI并不是一個產(chǎn)品，而是一個賦能技術(shù)，是“萬金油”，比如人臉識別和安防結(jié)合才是產(chǎn)品，如果AI沒有應(yīng)用場景，用戶是無感的。“我們需要做的，是切入這一領(lǐng)域時，將語音助手和場景結(jié)合，使得它可以服務(wù)于各行各業(yè)。”

在他們看來，醫(yī)療領(lǐng)域同樣如此。2013年，醫(yī)院信息化還是只有WIFI，那時候談AI根本不可能。但今天，隨著深度學(xué)習(xí)、大數(shù)據(jù)的積累，語音識別的準(zhǔn)確率能做到97%-98%，即便是比較嘈雜的環(huán)境，也可以做到90%以上的識別，這樣AI與醫(yī)院信息化的結(jié)合，有了一個新的機會。

根據(jù)國家衛(wèi)計委規(guī)劃信息司透露，醫(yī)療衛(wèi)生信息化是國家信息化發(fā)展的重點，已納入“十三五”國家網(wǎng)絡(luò)安全和信息化建設(shè)重點，將實現(xiàn)集中突破。權(quán)威機構(gòu)預(yù)測，未來幾年，我國醫(yī)療信息化規(guī)模將持續(xù)增長，國內(nèi)目前三級醫(yī)院 1400 家，二級醫(yī)院 8000 家，一級醫(yī)院接近 1.4 萬家;在理想狀態(tài)下的 10 年后，三級醫(yī)院每年至少拿出收入的 3% 用于信息化建設(shè)，二級和一級醫(yī)院拿出 1.5% 進行信息化建設(shè)，屆時醫(yī)療信息化的市場規(guī)模將超過 800 億元。

有應(yīng)用場景，也有市場需求，這就可以理解為何許多AI公司都在布局醫(yī)療行業(yè)的語音技術(shù)。其中包括國內(nèi)該領(lǐng)域的領(lǐng)頭羊科大訊飛。

其實科大訊飛很早之前就已開始試水醫(yī)療，2014年8月，他們針對語音技術(shù)在醫(yī)療方面的應(yīng)用開展了研究，并在部分醫(yī)院進行了試點，其產(chǎn)品是把語音記錄自動轉(zhuǎn)換為文字，生成電子病歷，但一直未大規(guī)模使用。

2015 年，科大訊飛開展三大醫(yī)療業(yè)務(wù)戰(zhàn)略，其中就包括語音醫(yī)療解決方案。在這部分產(chǎn)品線上，科大訊飛的初衷是通過智能語音交互技術(shù)對醫(yī)院臨床業(yè)務(wù)進行流程再造，減輕醫(yī)生的文書壓力，提高醫(yī)生工作效率。

2016 年，科大訊飛智慧醫(yī)療業(yè)務(wù)的“云醫(yī)聲”手機應(yīng)用在安徽省立醫(yī)院正式投入使用。云醫(yī)聲不僅能夠收集病人的資料，方便醫(yī)生隨時查閱，還能將醫(yī)生說用自然語言說出的醫(yī)囑直接記錄整理成電子文檔，同時還可給醫(yī)生精準(zhǔn)推送醫(yī)療文獻等數(shù)據(jù)。

考慮到放射科、牙科醫(yī)生、手術(shù)操作醫(yī)師在工作或手術(shù)中無法用手來書寫病歷，科大訊飛還為醫(yī)生特制了一款麥克風(fēng)應(yīng)對嘈雜的環(huán)境和遠(yuǎn)場識別，醫(yī)生和患者交流的過程中，算法會自動過濾掉無用的信息，將有用的醫(yī)療語音數(shù)據(jù)自動轉(zhuǎn)換成文字。

這套解決方案還能將轉(zhuǎn)換成的文字進行結(jié)構(gòu)化處理，輸出結(jié)構(gòu)化電子病歷。病例中包含有患者的病史、檢查史、各項檢查結(jié)果、身體指標(biāo)，醫(yī)生只需對電子病歷內(nèi)容進行簡單修改確認(rèn)，即可完成電子檔保存。

拓展與挑戰(zhàn)

AI語音除了以上領(lǐng)域，還有不少可以應(yīng)用的場景。

例如，在智能安全領(lǐng)域，AI企業(yè)跟國家網(wǎng)信辦和公安部門進行合作，通過語音技術(shù)識別政治言論、暴力、恐怖和詐騙等有害信息。比如在詐騙電話中，聲音的特征和規(guī)則都是固定的，通過語音檢索技術(shù)，可以判斷電話通話的聲音是否為詐騙音。

智能教育方面，AI企業(yè)可以提供語音測評服務(wù)，包括中小學(xué)生的古詩詞誦讀測評和英語測評，能夠?qū)W(xué)生的發(fā)音和韻律通過與標(biāo)準(zhǔn)音比對，來幫助其提升發(fā)音準(zhǔn)確度。

在泛娛樂行業(yè)中，比如在直播中，主播說一些特定關(guān)鍵詞命令，通過語音識別就可以在平臺上自動產(chǎn)生一些交互效果，從而增強娛樂性和用戶黏性。這也通常和機器視覺技術(shù)一起使用，識別主播的特定動作和手勢，產(chǎn)生動畫特效。這套解決方案，直播平臺、經(jīng)紀(jì)公司和網(wǎng)紅主播都可以使用。

但是，AI語音也面臨一些挑戰(zhàn)。以當(dāng)下正在風(fēng)口的智能音箱為例，互聯(lián)網(wǎng)專家、DCCI互聯(lián)網(wǎng)研討院院長劉興亮分析，國內(nèi)的智能家電還沒有那么普及，消費者也還沒有將一般家電更換為智能家電的剛需，大多數(shù)我國家庭對音箱的音質(zhì)好壞、是否聯(lián)網(wǎng)并沒有強烈的要求。這或許將讓智能音箱在我國成為一個“偽痛點”“偽需求”。

分析人士也指出，在國外風(fēng)生水起的智能音箱，在國內(nèi)市場面臨本土化的問題。首先，漢語因為方言差異等因素，語音識別和語義交互以及對話式交互技術(shù)比英語要復(fù)雜得多，遠(yuǎn)未成熟，設(shè)備提供的交互體驗距離真正無障礙的人際交互還有距離，這將影響用戶體驗。

其次，智能音箱的“核心價值”沒有標(biāo)準(zhǔn)化，用戶不知道究竟該為好的音質(zhì)買單還是為智能買單;再者，國內(nèi)企業(yè)缺乏像亞馬遜、谷歌那樣跨越多個垂直領(lǐng)域進行資源整合的能力;此外，類似亞馬遜對Echo的補貼經(jīng)營策略，對于要求利潤的制造商來說很難實現(xiàn)。

許多較為成功的國內(nèi)AI企業(yè)負(fù)責(zé)人都認(rèn)同的是，AI是一種非常基礎(chǔ)的資源，對各個行業(yè)來說都是賦能的，企業(yè)把相對成熟的技術(shù)去引入相對成熟的領(lǐng)域，順勢而為，才能成功。AI作為底層技術(shù)，必須搭載服務(wù)和應(yīng)用，考驗的是資源整合能力。因此，只做音箱硬件，顯然無法真正推廣AI語音;但要做到亞馬遜Alexa這樣的整合程度，讓大量的AI語音設(shè)備都愿意接入統(tǒng)一的平臺，國內(nèi)的BAT，乃至京東、喜馬拉雅雖然都在嘗試，但它們之間真的能互相打通，成為健康的生態(tài)平臺嗎？想一想這些巨頭之間互掐的歷史，就知道這有多么不容易。阻礙AI發(fā)展的，往往并不是技術(shù)本身。