智能音箱們，亞馬遜Echo的成功再難復制了智能
有一種說法，2018年，智能音箱一準爆發(fā)。
有一種說法，2018年，智能音箱一準爆發(fā)。的確，在2017年，BAT輪番推出智能音箱，Rokid、出門問問等創(chuàng)業(yè)公司也趁勢布局，國內(nèi)智能音箱的出貨量也從十幾萬上升到百萬級，資金高速涌入，中國“百箱大戰(zhàn)”將正式拉開序幕。
盡管，整體看好智能音箱未來市場，甚至有預測稱2018年全球出貨量將達到5630萬臺；但也有相對保守派認為，2018年智能音箱行業(yè)并不會爆發(fā)，主要依據(jù)智能音箱的語音交互能力較弱、內(nèi)容服務生態(tài)不足、跨場景跨任務對話能力較差等因素。
思必馳的CMO龍夢竹，就持后一種觀點。思必馳是國內(nèi)為數(shù)不多擁有自主知識產(chǎn)權(quán)中英文綜合語音技術的公司，其客戶包括阿里、騰訊、小米、海爾、聯(lián)想等，對于語音識別技術的現(xiàn)狀，思必馳是具備發(fā)言權(quán)的。
眼下，智能音箱市場有點冰火兩重天的意味。在不久前剛過去的2018CES（消費電子展）上，智能音箱頗受矚目，被視為家庭場景的最佳智能入口，可國內(nèi)，雖然BAT、小米等巨頭紛紛入局，但出貨量并不可觀，這讓智能音箱在國內(nèi)的處境有了幾絲尷尬。
到底智能音箱是否是偽需求，語音交互是否符合中國的國情？
的確，基于家庭場景的智能生活正在燃爆下一個消費級市場，至于這個場景是不是由智能音箱來帶動，卻是個未知數(shù)。
由此，虎嗅“大咖私房話”邀請到思必馳CMO龍夢竹與虎嗅會員進行了一場2小時的圓桌對談，分享了她對當前智能音箱發(fā)展、機遇的理解，剖析了未來智能音箱發(fā)展趨勢以及在聲紋識別上的技術突破與當下瓶頸。我們將現(xiàn)場錄音整理出來，復現(xiàn)了這場對話，干貨滿滿。
想了解更詳細的案例分享、全部圖文，以及深度問答，歡迎加入虎嗅會員解鎖分享內(nèi)容全文。
Echo成為爆款的背后，反映的是國內(nèi)音箱市場崛起面臨的問題
首先一點，無論是百度Raven H，還是亞馬遜Echo，在一定程度上都是為了展現(xiàn)背后的對話定制平臺。在這樣的戰(zhàn)略目標下，他們做這樣的硬件根本沒有考慮盈利。
至于說Echo，Echo是集亞馬遜生態(tài)與資源優(yōu)勢為一體的集大成者，其成功并非偶然，成功的因素也未必能為國內(nèi)音箱市場崛起帶來普適性的借鑒，但其快速的發(fā)展必然會推動語音技術應用落地。
第一，音質(zhì)是選購音箱的首要條件，包括很多媒體都會做相關的評測，首先就是從音質(zhì)開始，低音、高音、杜比音效等等。
第二，性價比是用戶購買的關鍵因素，Echo在正式上市前，硬件已經(jīng)迭代了很多版本，成本投入很大，是沒太多收益的，只能是量產(chǎn)之后薄利多銷，而對終端消費者來講，需要的只是高性價比。比如去年有一款“折衣服機器人”，不管多亂的衣服，在十幾秒種時間都能迅速疊放整齊，但售價高達十萬塊，幾乎無人購買，所以，在價格與技術投入之間去掌握好平衡點才是關鍵所在。
第三，銷售渠道；Echo依靠的渠道是整個亞馬遜的生態(tài)服務，亞馬遜把AWS云服務、Kindle跟Echo進行整合，鋪設了很廣的銷售渠道。
第四，內(nèi)容服務；亞馬遜將音頻服務，包括Kindle、有聲讀物，全部融入到Echo內(nèi)容服務上，內(nèi)容資源得到充分積累。
第五，語音交互；Echo在技術上最顯著的代表性意義，則是把語音的遠場交互迅速落地，率先將遠場麥克風陣列集成在產(chǎn)品里，無論聲源定位、遠場喚醒、語音交互，都帶給用戶極其新鮮的產(chǎn)品體驗。
但Echo在中國的銷量還不理想，當然大部分原因是Echo目前沒有支持中文，以及在整個生態(tài)和內(nèi)容服務上沒有完全打通，這也給中國的音箱發(fā)展創(chuàng)造了非常好的條件。
眼前中國智能音箱的瓶頸在于：音箱們的智能交互體驗，跟語音交互技術、后端服務和生態(tài)合作都是相關的，而這幾點也恰恰是國內(nèi)音箱的劣勢。
以語音技術為例，當技術落地應用，語音其實只是交互的手段，并不是產(chǎn)品功能，效果的優(yōu)劣主要是由是否最終能滿足用戶需求來決定的，簡單說，好不好用是由語音技術，內(nèi)容打通能力等綜合決定的。
比如有些人買了某音箱，覺得還是不好用，就會問是不是語音技術有問題？語音技術什么時候能夠成熟？比如，當用戶對著音箱說“我要聽趙雷的《成都》”而產(chǎn)品反饋“對不起找不到您要的歌曲”，消費者下意識會認為是語音識別不好，搜不到歌曲，但這背后很有可能是音樂內(nèi)容提供商沒有這首歌的版權(quán)；或者產(chǎn)品本身某個硬件模塊沒有選得特別好，比如芯片選擇不好可能會延長語音識別的時間。
對用戶來講，語音是用戶跟產(chǎn)品發(fā)生關系最直接的感受，于是所有的鍋，最后都是由語音技術來背。
國內(nèi)智能音箱整體上還未到爆發(fā)節(jié)點
很多人都在問2018年音箱能火起來嗎？
從語音交互、內(nèi)容服務，包括用戶的接受能力，其實還達不到音箱真正爆發(fā)的節(jié)點，音箱帶動的更多的是大眾對智能家居的認知，讓大家看到物聯(lián)網(wǎng)的發(fā)展及智能家居的未來，而真正能火起來的可能不一定是音箱，有可能是智能門鎖，智能路由等。
2018年應該會有中國本土的創(chuàng)業(yè)企業(yè)研發(fā)的智能門鎖大規(guī)模鋪向C端市場；再比如電視，電視在2018年、2019年會是個分水嶺，之后所有的電視應該全部都有語音功能。
但音箱目前還不具備成為剛需的條件，那為什么音箱會成為目前商家探路市場的首選？這是因為音箱本身是一個天然的、最好的音頻載體，第二，音箱比較輕量化，進入門檻相對較親民。
也許明年，市場上會出現(xiàn)更多類似于智能音箱的變體，比如音箱大部分是圓柱體，是為了收音和識音，還有音頻播放。但如果把音箱中部挖空，把它拔高，做成花瓶，那是不是就可以不用叫智能音箱了？
所以未來真正會爆發(fā)的是“智能助理終端”，真正能夠解決用戶交互需求，家居的控制等等，而不在乎是什么形態(tài)。
另外，中國作為一個農(nóng)業(yè)大國，對爆款產(chǎn)品的定義一定不是說產(chǎn)品體驗多好、價格多低，而在于賣的多好。要賣得好，渠道是很重要的因素。只有打入三四線市場，比如現(xiàn)在的手機，蘋果、華為炒的較熱，但OPPO、vivo，的市場占有率卻是非常大的，它們走的就是打入中國廣大的三四線市場，因為這一塊才是最有消費潛力的，而音箱如果在一兩年內(nèi)想打入三四線市場，可能沒有那么容易。
我們再說回今天的主題，智能音箱。
智能音箱只是外在的終端形態(tài)，我們要評價智能音箱的好壞，就需要關注其背后的綜合能力，首當其沖的是智能語音技術。
從互聯(lián)網(wǎng)時代到移動互聯(lián)網(wǎng)，再到物聯(lián)網(wǎng)時代，設備數(shù)量呈現(xiàn)指數(shù)級的增長，信息獲取也從文本信息處理發(fā)展到對話搜索。
隨著對語音技術、新場景的挖掘，物聯(lián)網(wǎng)市場迅速發(fā)展，智能硬件設備數(shù)量將達到100億量級，文本信息交互變得越來越弱，而語音和對話交互成為發(fā)展的需要，信息獲取也從終端為中心轉(zhuǎn)移到以用戶和場景為中心，這是整個時代的變革。
比如，在2014年的時候，以智能手環(huán)為代表的可穿戴市場開始興起，短時間內(nèi)國內(nèi)出現(xiàn)了幾千家做智能手環(huán)的企業(yè)，但又迅速的銷聲匿跡。再到2016年基本上很少看到手環(huán)或者可穿戴產(chǎn)品的存在，而今年隨著整個AI技術，尤其是語音技術，還有新場景的挖掘，穿戴設備市場又將會慢慢地恢復起來。
聲紋識別雖是趨勢，但大規(guī)模商用還需時日
最近關于聲紋識別的討論很多，那我也來講一下這個事情。（虎嗅注：聲紋識別又稱說話人識別，是生物識別技術的一種。該技術通過語音波形中反映說話人生理和行為特征的語音參數(shù)，進而分辨出說話人身份）。
我認為聲紋識別大規(guī)模商用的時機還遠遠不到。我說一下我的理由——
目前，聲紋識別目前分為兩種形式，一種叫說話人辨認-SI（Speaker Identification）
，屬于一對多的關系，就是在一群說話人中，通過去識別其中一個人音頻和信號去確認這個人是誰，應用的場景包括刑偵破案、罪犯跟蹤等；另一種叫說話人確認-SV（Speaker Verification），屬于一對一的關系，通過采集的數(shù)據(jù)來確認說話人，應用場景包括證券交易、支付購買、聲紋鎖等，民用場景應用性更強。
但目前在做聲紋識別方案的時候，通常是將聲紋作為一種輔助認證，把聲紋和人臉進行結(jié)合，雙重驗證，或者把聲紋跟傳統(tǒng)的密碼支付來進行綁定。但對于聲紋識別大規(guī)模的商業(yè)應用還需要時日，做好產(chǎn)品的交互體驗也是關鍵所在。
在聲紋識別里邊最大的難點，首先語言是一種時變的一維信號，語音聲音信號本身的問題，在于說話人語速、情緒、感官，甚至包括采集音頻的設備、變聲器的應用都會對聲音有一定影響，讓聲音的可信度有存疑；從算法上來說，包括建模、運算的能力，尤其是做聲紋數(shù)據(jù)庫的時候，去做什么樣的用戶聲紋驗證，有關年齡、職業(yè)分布、發(fā)音特質(zhì)都需要做建模，并且建立數(shù)據(jù)庫對樣本量的獲取都是難點。
尤其是智能家居大環(huán)境下，將會面臨以下幾個方向的挑戰(zhàn)：
首先是噪音的干擾，也就是魯棒識別（魯棒即經(jīng)歷了各種信號處理或者各種攻擊后，依然具有一定的保真度），未來將會從算法降噪和硬件降噪來綜合提升體驗；
第二是家居環(huán)境下的遠場交互，目前主要是基于理想的家居環(huán)境中3~5米的距離來做核心優(yōu)化，之后會針對于酒店，甚至銀行大廳去做點對點的降噪嘗試；
第三是回聲消除、在設備播放聲音時的喚醒、打斷和交互。最后是提升交互體驗的其他必須技術點，包括聲源定位、聲紋識別等。
來源：虎嗅會員小秘書
1.TMT觀察網(wǎng)遵循行業(yè)規(guī)范，任何轉(zhuǎn)載的稿件都會明確標注作者和來源；
2.TMT觀察網(wǎng)的原創(chuàng)文章，請轉(zhuǎn)載時務必注明文章作者和"來源：TMT觀察網(wǎng)"，不尊重原創(chuàng)的行為TMT觀察網(wǎng)或?qū)⒆肪控熑危?br>
3.作者投稿可能會經(jīng)TMT觀察網(wǎng)編輯修改或補充。
