“今天最后一班從北京開往上海的高鐵什么時候發(fā)車？”再次遭遇航班取消的A先生，萬般無奈之下掏出手機，對著朋友推薦的一款名叫“出門問問”的微信公眾賬號發(fā)出了以上求助指令，僅僅數(shù)秒鐘，“出門問問”給予了備選答案。
這只是移動互聯(lián)掀開的語言浪潮里瑣碎的日常情景之一。
每天，數(shù)以億計的語音信息，通過語音識別技術(shù)被機器轉(zhuǎn)化為文字；它們中的一部分，又以機器學(xué)習(xí)的方式，被解析出具體的意義，在人機交互中，為用戶的語音搜索提供答案。
據(jù)統(tǒng)計，Google25%的移動搜索結(jié)果來自語音，這一比例在百度亦突破10%；在Siri前后涌現(xiàn)的一批第三方語音助手，正在迅速占領(lǐng)國內(nèi)智能終端，為用戶提供各式信息查詢服務(wù)和類Siri的簡單娛樂功能；而在智能電視、導(dǎo)航、語言學(xué)習(xí)等領(lǐng)域，遠(yuǎn)離大眾視線的語音公司正在提供最基礎(chǔ)的技術(shù)支持。
然而，在長達(dá)半個世紀(jì)關(guān)于人工智能的構(gòu)想中，智能語音的到來卻著實顯得有些姍姍來遲。
最關(guān)鍵的助推力來自云的成型。“過去，龐大的計算量構(gòu)成了識別準(zhǔn)確率提高的門檻，也限制了識別的應(yīng)用場景（往往只能是專用領(lǐng)域），而現(xiàn)在的云端計算、移動互聯(lián)網(wǎng)等終端的便捷接入，使語音識別越來越成為一種普遍服務(wù)能力”，關(guān)注人臉識別、語音分析等人工智能技術(shù)的聯(lián)想之星執(zhí)行董事劉維向記者表示。
在中國工業(yè)和信息化部披露的未來三到五年規(guī)劃中，智能語音技術(shù)和產(chǎn)業(yè)推進(jìn)作為工作重點，“智能語音真正成為移動互聯(lián)網(wǎng)入口”被官方正式提出。
不過，對于行業(yè)內(nèi)的創(chuàng)業(yè)者們而言，如何將創(chuàng)新技術(shù)帶向市場，則是一場曠日持久的戰(zhàn)役。從最早登上資本市場的科大訊飛，到后起的分布于語音識別和語義分析環(huán)節(jié)上的大小公司，難免在2B和2C的商業(yè)模式之間抉擇掙扎。是做橫向的技術(shù)服務(wù)商，還是做縱深的產(chǎn)品提供者？入口當(dāng)前，語音鏈條上的各家企業(yè)該如何破解產(chǎn)業(yè)化難題？
識別之困
走在北京海淀某高校的校園里，你可能會被人冷不丁地叫住，邀請你用自己的鄉(xiāng)音，照著本子，對著他手里的移動設(shè)備，念一段日常生活的對白。
同樣的一幕，換不同的文本，重復(fù)成百上千次。這看似“笨重”的工作，卻是智能語音流水線的開端。
在語音技術(shù)公司云知聲正式成立前半年，在招兵買馬的同時，基礎(chǔ)語音數(shù)據(jù)的積累已經(jīng)借由外包公司悄然開展。而這些線下采集的珍貴的海量數(shù)據(jù)，能夠為機器提供更多模擬學(xué)習(xí)的樣本。
云知聲聯(lián)合創(chuàng)始人、CEO梁家恩將語音識別的過程描述為：“通過麥克風(fēng)捕捉用戶發(fā)出的聲音，將聲波信號轉(zhuǎn)換成機器可以處理的‘發(fā)音特征’，再結(jié)合發(fā)音詞典和匯集各類詞匯排列組合的語言模型，比對搜索出最接近聲音波形的句子”。簡要地說，機器不必理解句子的意思，就能將語音自動轉(zhuǎn)化為準(zhǔn)確的文字。
這是語音技術(shù)需要攻破的第一關(guān)隘。在國內(nèi)，從事語音識別技術(shù)的創(chuàng)業(yè)者大致分為兩個“門派”，一派來自清華，另一派來自中科院。梁家恩所在的中科院自動化所從上世紀(jì)80年代起致力于語音領(lǐng)域的研究，與清華幾乎同時起步。而據(jù)一位業(yè)內(nèi)人士撰文估計，全國從事語音技術(shù)的專業(yè)人才不超過一百人。
梁家恩在大學(xué)階段即見證了“同門”科大訊飛的崛起。而在移動互聯(lián)網(wǎng)爆發(fā)之前，科大訊飛和捷通華聲聚焦于語音合成領(lǐng)域，這項在二戰(zhàn)后廣為使用的技術(shù)，讓機器可以念出文本，但隨后，科大訊飛又聚焦于語音識別。
不懼科大訊飛和其他眾多語音搜索類勁敵，云知聲憑借一套被稱作深度神經(jīng)網(wǎng)絡(luò)的核心技術(shù)，迅速站穩(wěn)腳跟。這項技術(shù)增強了在口音和噪音環(huán)境下的識別效果，可以單獨將識別錯誤率下降30%以上。而思必馳也使用深度神經(jīng)網(wǎng)絡(luò)技術(shù)實現(xiàn)了語音識別性能的提升，百度亦在今年年初專門成立了深度神經(jīng)學(xué)院對此進(jìn)行研發(fā)。
在梁家恩看來，語音識別的好處在于統(tǒng)計框架的完整性，“算法和框架在學(xué)術(shù)界都是公開的，并沒有太大差異”，但在這個情況下，要進(jìn)一步做好只能憑硬功夫，“一樣的系統(tǒng)架構(gòu)，實驗室環(huán)境下朗讀做到90%識別率容易，但在海量用戶和實用環(huán)境下做到90%的難度還是相當(dāng)?shù)母?rdquo;，梁家恩告訴記者。
理解之惑
“如果只有語音識別，我們最多實現(xiàn)了聊天，”梁家恩說，“加上語義理解才能跟真正的業(yè)務(wù)掛鉤。”
在語音產(chǎn)業(yè)的下游，語義分析可以所是語音識別的接力。簡要地說，語義分析是對輸入的句子進(jìn)行分析，理解句子的邏輯關(guān)系，并根據(jù)邏輯關(guān)系構(gòu)造用戶需要的反饋結(jié)果。語義分析應(yīng)用的經(jīng)典形式是問答或?qū)υ捫枰壤斫庥脩舻妮斎�，然后生成答案，或者生成需要用戶補充的問題。
“旅游垂直搜索去哪兒是由用戶填表格，自然語義分析是替用戶直接把表格填了”，出門問問創(chuàng)始人李志飛打了個比方。語義分析將文字轉(zhuǎn)化成標(biāo)準(zhǔn)化的表格，利用開放API的數(shù)據(jù)支持，對接垂直的搜索。
李志飛畢業(yè)于約翰霍普金斯大學(xué)語言語音處理實驗室（CLSP），在獲得紅杉資本和真格基金投資、確定回國創(chuàng)業(yè)之前，他在谷歌研究院開發(fā)谷歌翻譯產(chǎn)品，其博士研究方向正是人工智能分支之一的機器翻譯領(lǐng)域。
李志飛指出，聲音的被理解和被識別所面臨的技術(shù)問題是迥然相異的。對語音識別來說，最大的問題是噪音，不同場景中的環(huán)繞聲和不同人群使用的方言，聲音信號千變?nèi)f化。而語義分析的難點在于，同樣意思的句子，有著各種不同的用詞和語序，“比如南方航空公司和南航，上海和魔都”。
師從國內(nèi)語義分析專家、北京交通大學(xué)賀仲雄先生的蟲洞CEO俞志晨告訴記者，語義分析的技術(shù)路線分為兩種：一是靠規(guī)則庫做匹配，把語言規(guī)則化以后進(jìn)行配對；另一種是依靠機器學(xué)習(xí)的方式，通過智能網(wǎng)絡(luò)，訓(xùn)練算法。“而一個成熟的語音產(chǎn)品一定會使用后者”，他表示，不過，在早期階段往往采用兩者結(jié)合的方式。
但同處語義分析環(huán)節(jié)，兩位創(chuàng)業(yè)者卻選擇以不同的方式抵達(dá)用戶。
早期定位于實用性功能搜索查詢的蟲洞，在Siri出現(xiàn)后受到啟發(fā)，以對話的交互方式串聯(lián)了原有的一系列功能。俞志晨認(rèn)為，查詢信息是一場連貫的過程，需要不斷反饋和交互，才能得到準(zhǔn)確的信息，而用戶也希望在說完后得到有人情味的回答。
而李志飛讓出門問問回避了Siri式的對話“調(diào)戲”場景，用戶一次語音換一個答案。他的理由是，人們在對話中會反問很多問題，甚至把機器當(dāng)作自然人與之聊天。“對話管理是下一階段。現(xiàn)在先弄清楚一句話本身是什么意思這是基本功”，李志飛說。
劉維表示，從技術(shù)上講，為了讓機器理解人的語言，確實需要從語音到文本、文本到理解兩個部分，但如果這兩個環(huán)節(jié)割裂開來處理，很難真的理解自然語言。
對風(fēng)險投資者來說，語音市場的爆發(fā)有賴于兩個環(huán)節(jié)基本技術(shù)的共同成熟。劉維認(rèn)為，只有這樣，才能從更高的層面，也就是人機對話系統(tǒng)的層面，整合兩個技術(shù)、更加人工智能的去通過多輪次對話，反復(fù)和用戶交流，真正去理解用戶的自然語言，而不是簡單的“語音聽寫”和“文本搜索”。
模式之爭
對于一個技術(shù)密集的語音行業(yè)來說，需要攻克的不只是技術(shù)難題，而更具挑戰(zhàn)性的當(dāng)屬市場的開拓。
在Siri讓更廣闊的人群了解語音的面容之前，一些先行者已經(jīng)開始從行業(yè)應(yīng)用率先尋找語音市場的“登陸點”。
教育領(lǐng)域或許是第一個兵家必爭之地。
在自動化所的五年時間里，從事語音識別核心技術(shù)研發(fā)的梁家恩，就和同事們共同開發(fā)了一套英語口語評估系統(tǒng)。
而在歐亞大陸的另一端，高始興和幾位劍橋大學(xué)的師生聯(lián)合創(chuàng)辦的思必馳公司，也將海外漢語口語教育作為首塊戰(zhàn)場。整套語音識別、合成和評測技術(shù)，配上高漲的語言學(xué)習(xí)熱情和時興的資質(zhì)考試，聽上去頗有默契、順理成章的商業(yè)模式。
但思必馳的實踐并不順利，高始興發(fā)現(xiàn)，在一個初生的市場，關(guān)鍵并不在于“技術(shù)有多好”，“實際上，用戶對技術(shù)的理解還隔著好幾層”。
2008年，分散而捉摸不定的漢語口語市場讓思必馳折戟回國，重新選擇以英語口語評測為切口，開始二次創(chuàng)業(yè)，以第二代智能語音分析和人機對話技術(shù)為基礎(chǔ)，思必馳在國內(nèi)首次實現(xiàn)了針對對話交流能力的評測，并成為國際上第一個為英語考試口試提供完整機器評測的語音公司。
當(dāng)思必馳為新東方等英語教育公司開發(fā)出人機對話的口語學(xué)習(xí)系統(tǒng)時，梁家恩的評估系統(tǒng)卻賣給了語音行業(yè)的龍頭企業(yè)科大訊飛。而在今年6月25日，科大訊飛以自有資金4.8億元收購廣東啟明科技，收購溢價達(dá)580%，后者又是一家口語考試測試系統(tǒng)提供商。
顯然，競爭日趨激烈的教育行業(yè)已無法承擔(dān)全部的登陸重任。思必馳正悄然將基于深度神經(jīng)網(wǎng)絡(luò)的語音識別和語音合成等技術(shù)應(yīng)用在車載系統(tǒng)等智能設(shè)備領(lǐng)域。“車載天然以語音交互為主”，俞志晨亦預(yù)測，車載導(dǎo)航和穿戴式設(shè)備將是語音行業(yè)中早期的市場爆發(fā)點，蟲洞選擇與深圳樂投等相關(guān)公司合作開發(fā)語音。
而上述一切儲備，似乎都為語音在移動互聯(lián)端的登陸做出預(yù)演。人們可以數(shù)出應(yīng)用市場、瀏覽器、APP和手機桌面四個已經(jīng)成型的移動互聯(lián)入口，語音則是呼聲日漸高漲的入口候選者。
對于完全誕生在移動互聯(lián)時代的出門問問而言，先行者們的路徑，顯然并不用過多參考。從今年4月起，為微信用戶提供生活服務(wù)查詢的出門問問公眾號，以每月數(shù)倍的增長，迅速累計起超過10萬的用戶，成為微信官方推薦的十大應(yīng)用之一，遠(yuǎn)超其早一月上線的Android移動端。
