亚马逊Echo大获成功，远场语音交互技术在其中究竟扮演了什么

关于远场语音交互，声智科技 CEO 陈孝良告诉雷锋网：“语音是最简单、最自然的人机交互方式，同时也是技术难度最大的交互方式，特别是语音交互从近场走向远场落地到真实场景，必须考虑噪声、混响、回声等声学问题，以及数据差异引入的机器学习模型问题，这些都是保证自由人机交互的核心技术。”

但是网络上横跨声学和计算机学科的教育资源太少，李智勇老师的这篇文章不仅揭示了远场语音交互的核心技术，还对商业化落地的路径进行了深入的解读，无论是语音交互的技术人员，还是产品经理，都值得一读。

手机之后国外各大巨头非常罕见的步调一致的在做同一件事情：智能音箱。而这一切最初的驱动力来自于Amazon Echo，但有意思的事情是Amazon Echo这产品根本没做任何的功能上的创新，听歌、看新闻、设闹钟、说笑话、控制家电等所有东西都可以在手机上找到替代品，它唯一的变化只是把语音交互的方式从近场升级为远场，并把精度和速度打磨到非常优秀的程度。只是这么一点点变化，似乎就要创造一个无比巨大的行业，那远场语音交互为什么有这么大的威力？

语音交互等价于远场语音交互

极端的讲法是世界上并不存在一种方式叫近场语音交互，语音交互基本等价于远场语音交互。事实证明过去很多年里各种近场语音交互的尝试（比如Siri）并没获得很好的进展，甚至简单实用的语音输入法也没能成为主流。从应用场景来看远场和近场的核心差别是拉开和语音设备的距离后，双手再也没用了。这样和触屏就可以彻底的差异化，可以彻底的发挥语音的快捷优势。想象下面的场景：

在微信里给一个人打视频电话，如果用手机那是下面这样的过程

如果变成远场语音，那核心步骤会变成两个

显然在这两种场景下便利程度是完全不一样的，这种便利理论上讲在近场的情形下同样存在，但核心点在于近场时就需要挑战用户根深蒂固的触屏习惯，这很难。触屏虽然大流行，但显然并没能在笔记本上挑战键盘鼠标的既有地位。这不单是偏好问题，也与各种应用与特定交互方式的绑定有关。触屏虽然好用，但并不能完全在Office上用起来，所以如果Office根深蒂固，那么键盘鼠标就根深蒂固。所以我们说，语音交互基本等价于远场语音交互，一旦它真的成为主流交互方式，培养了用户习惯，那反过来才可能在近场的场景（比如近场的Siri）下占有一席之地。

远场语音交互的核心技术

远场语音交互如果变的无处不在，那Amazon Alexa（以及同类产品）会变成新一代的Android，那个时候整个生态会像下面这样：

这个时候Alexa这样的系统同时覆盖了传统上Android和应用商店的角色，在其上面则会有新的今日头条、新的O2O等。而如果要把Alexa所依托的技术进行细分的话，那么基本上是三层：

前端的声学部分（算法+阵列）

识别

NLU

这样一来远场语音交互就正好面临一大一小两个瓶颈：

第一个瓶颈是眼下就要解决的问题，即在语义仍然有限制的条件下，打造偏命令控制的产品，这个时候产品的ID很难拟人化（想想Echo，Airpods这些产品），一旦拟人用户的潜在期望就会无限拔高，你也就不可能做出非常满足用户体验的产品。

第二个瓶颈则具有一定的不确定性，具有探索性质，我们仍然还不知道什么时候自然语言理解中可以体现出真的智能，但确实只有这点做了突破，并且同计算机视觉进行融合才能真的做好拟人的机器人。

而为了解决第一个瓶颈事实上需要做好的事情有两个：

一个是前端声学算法软硬件的持续优化

一个是通过获取的数据重新训练云端的ASR

这个过程可以用下图橙色的部分来概括。

上述这个看着并不太长的链条其实复杂度非常高，它即跨越不同的学科（声学部分属于经典物理，识别部分则属于CS），也需要打穿软硬件。

在算法层面只是前端就需要处理大量经典问题，比如降噪、去混响、回声抵消、Beamforming等。加不加这些算法的音频信号差异极大，如：

（具体效果试听可以参照http://soundai.com/demo.html）

而我们经常说的麦克风阵列即使抛开算法不论，单只在硬件层次上也远不是标准品：

上图是一款强调通用性的麦克风阵列，通过USB连接可以随便连接到笔记本、PAD、手机上进行使用。同样的阵列还可以做成线性、L型、球形，最终的目的都是匹配特定的场景，让最终远场交互的精度最优。

如果进一步下探，那就会出现更为底层的选择，比如是用驻极体麦克风还是用MEMS的，是用数字的还是用模拟的。

再进一步挖掘，麦克风从特性上还可以进一步细分，比如：

所有上面这些点如果不能一一理顺，那就没法给用户输出一种综合性的体验，单点最优在远场语音交互这里价值很小，相当于必要不充分条件。只有能够综合，并且能够优化单点才真的能够解决当前产品落地中的实际问题。

技术和商业上的正反馈

几乎所有大公司都感受到了远场语音交互背后的价值，所以纷纷试水：继亚马逊、Google之后，微软宣布了自己的智能音箱产品，预计苹果也会宣布自己的相似产品。但是远场语音交互的落地却可能比大家期望的要慢。核心点就在于技术-商业上的正反馈需要一定的启动周期。显然的技术不好用，产品体验就不好；而反过来产品没销量技术就缺乏打磨的场景，内容配套也就不会跟上。这种互锁状态就会形成一个冷启动周期，在这个周期里做技术的公司打磨自己的技术，在没那么大量的产品上落地，产品公司则接受技术现实，打磨自己的产品。这样一来整个远场语音交互很可能会跑下面的曲线：

这个过程是可以和过去很多商业现实验证的，比如2007年iPhone发布，小米手机则要迟到2011年，这期间的4年可以看成是智能手机的启动期，一旦这个市场启动后则进入一个高速增长期，小米手机的销量迅速从2012的700多万台增加到2014年的6000多万台。

远场语音交互的这个技术-商业正反馈当前还处在非常初期的阶段，亚马逊的Echo（各种型号）如果2017年的销量真的逼近2000万台，那基本上可以认为在美国，技术-商业的正反馈第一回合完成。而在国内，同品类产品销量都还处在几万、十几万量级的水平，这个技术-商业的正反馈远未完成。

当然这并非坏事，在格局已定的市场上，后来者是没有机会的；只有在这种充满未知的领域上，创业者才真的有颠覆性的机会。如果回退到20年前，联想、门户相对于现在的BAT都是巨无霸型公司，要资源有资源，要渠道有渠道，要人有人但很有意思的事情是BAT最终崛起了。

小结

手机的触屏把很多人塑造成了低头族，远场语音交互估计会塑造出许多和机器说话的人。那时候语言不再只是人和人的交互手段。