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領跑者，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布首款人工智能音箱產品，未來其功能上或與電商購物相結合，幾乎同期，充當第三方合作伙伴的音樂類品牌喜馬拉雅FM代表音頻內容提供方，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布了智能音箱“叮咚”以希望占領智能家居領域的入口；此前騰訊高層也公開表態稱，騰訊智能音箱產品“耳朵”將于8月前后發布。小米、百度、聯想等也推出了智能音箱產品。至此，中國的BAT巨頭們幾乎聚齊在智能音箱領域。

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，有數據顯示，在美國，約有近4000萬用戶每月會使用一次語音操控的音箱。市場調研機構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展的關鍵一年。

面對國內智能音箱這一現象級熱潮，FT找到了海外在智能語音技術上有不同側重的兩家公司的核心研發人員，跟他們聊聊硬件背后，智能語音識別技術的那些事。

數據的可獲得性是語音識別“預測”的瓶頸

在過去的幾年，Pawel觀察到了市面上越來越多的智能語音產品， 在他看來這是一個信號，“新的改革將要到來，因為一系列產品正在改變人們的日常生活，Amazon Echo就是很好的例子，它讓人們意識到沒有語音助手會不方便，就好比生活中沒有智能手機。”

Emotech作為一家技術驅動的創業公司，研發團隊在智能語音上，經常會嘗試添加一些類人的技術，“讓設備可以更好的理解非語音的提示，并且更具表現力的作出回應。簡單來說，我們想創造一個與人們生活方式相兼容的設備。” Pawel解釋道，與其他初創公司相比，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上，一開始團隊就從公開的語料庫中構建種子模型，然后不斷迭代和收集更多匹配的域內數據，讓它更適應真實的聲學環境。Olly除了硬件，還有擁有專利的類腦引擎、機器人心理學架構、智能語音識別等軟件上的研發。

Pawel透露，經過產品的迭代，Olly除了能夠實現語義和語音識別外，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，或者需要一張根據冰箱現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，語音識別技術就已經出現了，一開始，這項技術智能識別某一特定人說的數字，到了1962年，IBM創立的系統就能識別16個單詞的單詞了。到了70年代，語音識別系統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建立在隱馬爾可夫模型的基礎上。其原理是，通過已知的聲音創建隨機模型，將其與某一特定模型產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，這需要大量的數據分析作為系統運轉的原動力，“數據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調暗起居室的光線并打開電視看《權利的游戲》。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。

研發與商業化的平衡點：做出讓人們生活更美好的科技

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業鏈兩端的公司，一家是巨無霸，一家是有特色研發能力的初創公司，因此，這也造就了他們在智能語音研發上的不同思路，Pawel的體驗是，大公司能提供更專注的工作環境，“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。”而在初創公司，目標可能會發生很大的變化，“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，在初創公司工作好比一場冒險，沿途有許多起伏。“在Emotech，我們經常在非常緊迫的時間內開發、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，嘗試建立初創公司”，這兩個身份一個傾向于學界研究，以將假設通過探索方式得到驗證為目的，一個則需要考慮工業應用商業落地，初創公司需要找到“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，面對全新的領域，無論是創業公司還是科技巨頭，都不可避免的走在不斷試錯的路上。而商業化和技術研發的關系有并存也會有某種程度上的制約，作為一個身在商業公司的研發人員，Pawel則有更為客觀的看法，他認為，所有的研發都需要開支，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，“這在某種程度上加強了一種相輔相成關系，人們使用語音識別的機會越多，產品就會變得越好，商業公司就會不斷的改進產品，因為產品使用率變高，就會收集到更多必要的數據，這也是改進產品一個重要途徑。” Pawel說。

用戶總能“秀”出下一代技術或產品 追蹤用戶非常有意義

作為學界和科技公司的一線從業者，在英國，Pawel、Marily經常會參加行業聚會。

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品，“有時候這些討論成果會直接導致新的產品開發團隊的形成。谷歌街景還有臉書的視頻類產品就是這樣誕生的。”Marily說，最近一次，她參加的一項行業聚會，跟圈內的朋友暢聊了新技術、出版物、電子等話題，在她看來，有時候看似不相關的行業，對于人工智能亦或是智能語音識別，都能提升潛在的協同效應。

而這種源自不同文化專業背景和思維方式的頭腦風暴，在Emotech團隊中也常常發生。Emotech的團隊構成非常多元化，30個員工擁有22種母語，而且不同于傳統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展規劃，Pawel說，Emotech會更加努力提升ASR（自動語音識別）系統，使其能讓多個人同時說話，或者在非常嘈雜的環境中工作，例如雞尾酒會的場景。這將會產生一些有趣的應用程序，“讓設備可以收集多個聲源或只關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的，現在小說的描述已經變成現實。我們已經擁有了自己的AI助手，他們在外形上可能不像一個機器人，但是他們已經在這兒了，還可以由我們隨心支配。”基于這樣的基礎，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，會根據時間和地點自動做出調整。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技術變成現實的無數個例子中的一個而已。

而個人助理和AI語音識別技術的關聯是，科技正在改變人機交互的方式，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，她常常會在技術中發現“缺口”然后找到創新的方式去填補，她相信用戶們總能“秀”出下一代技術或者產品是什么，因此追蹤用戶是一件非常有意思的事情，這也是她初創公司建立的靈感來源。“假設我們是用戶，特別喜歡某個產品，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，不如退而結網，想想你自己的使命是什么然后去實現吧。”

可以看到的是，語音交互是現在智能家居領域最高頻的應用之一，已經可以實現的是，智能語音跟電視、音響、空調、窗簾、燈具、玩具等家用設備、智能家居控制中樞系統相結合，通過語音交互實現從入口控制全部的功能，伴隨像巨頭谷歌、創業公司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。

嘉賓簡介

Pawel Swietojanski（簡稱Pawel）是歐洲頂尖人工智能創業公司Emotech 團隊，智能家用機器人Olly的語音識別研究員，Emotech是一家技術驅動的人工智能創業公司。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架構之一。

在加入Emotech之前，Pawel是愛丁堡大學語音技術研究中心的博士生。他發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最佳論文和IBM 研究口語技術最佳學生論文獎 。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，曾創力預測互聯網現象——病毒式傳播的模型，讀博期間，她曾先后在Google和Facebook 做數據分析員，畢業后她加入Google硅谷成為工程項目經理，參與Google Assistant， Google Home和數據&人工智能的研發與管理。她先后三次在TEDx 登臺演講，并在2015年獲得了科學與工程領域有影響力女性獎。帝國理工學院因為她在科技領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創業公司的CEO。