比爾蓋茨說過，人們總是高估一項(xiàng)新技術(shù)在一兩年內(nèi)能夠做到的，卻低估語音在五到十年能做到的，語音就是曾經(jīng)被低估的技術(shù)，其潛力正在被激發(fā)出來。

年底，所有互聯(lián)網(wǎng)行業(yè)大會(huì)都會(huì)有智能硬件的位置，大佬們都在說，IOT(Internet of Things)時(shí)代來了?；ヂ?lián)網(wǎng)巨頭、傳統(tǒng)硬件公司、各色創(chuàng)業(yè)團(tuán)隊(duì)，都擠在這個(gè)風(fēng)口等著被吹起來。除了做產(chǎn)品的，還有一類玩家十分興奮地等著智能硬件火起來：語音技術(shù)團(tuán)隊(duì)。

2014年底，語音行業(yè)新聞不斷：云知聲完成5000萬美元A輪融資主攻智能家居，科大訊飛推出自己的語音智能音響硬件，百度語音涉足智能硬件領(lǐng)域……智能硬件正在成就語音，語音也在成就智能硬件。

一、語音交互正在爆發(fā)，尤其是智能硬件

智能硬件最熱的門類是可穿戴設(shè)備、智能家居、車聯(lián)網(wǎng)以及智能影音配件。所有這些設(shè)備的共同特點(diǎn)都是沒有鍵盤鼠標(biāo)、絕大部分沒有自己的屏幕、幾乎都是與手機(jī)App協(xié)同工作。還有許多智能硬件的使用場(chǎng)景中，雙手并不方便，比如在駕駛過程中，再比如看電視離屏幕太遠(yuǎn)，這時(shí)候必須要有脫離雙手的新型交互模式。正是因?yàn)檫@些原因，語音成為智能硬件最理想的交互方式之一。

具體來說，語音識(shí)別可以解決輸入部分，比如通過語音讓智能手表完成某個(gè)動(dòng)作，發(fā)起一次搜索，再比如通過語音讓智能音響播放下一首歌曲，讓智能電視播放特定節(jié)目;語音合成可以實(shí)現(xiàn)交互反饋，比如語音播報(bào)搜索結(jié)果，語音播報(bào)導(dǎo)航指令;語義理解則可以解讀聲音背后的需求做出反饋，用戶可以很自然地對(duì)電飯鍋說，“明天早晨8點(diǎn)幫我煮一碗八寶粥”，智能電飯鍋解讀指令并準(zhǔn)備行動(dòng);聲紋識(shí)別則可以實(shí)現(xiàn)個(gè)人ID鑒權(quán)，實(shí)現(xiàn)智能家居的開門、智能購物的支付等等。

反過來，語音技術(shù)雖然已發(fā)展多年卻一直未能走向大眾化。雖然在教育、交通等領(lǐng)域有諸多非常試用的行業(yè)應(yīng)用，但在大眾消費(fèi)市場(chǎng)，智能語音交互上卻顯得有些高冷。Siri推出之后，Google Now跟進(jìn)。而在國(guó)內(nèi)，百度語音助手等應(yīng)用也先后推出，但它們都未成為一個(gè)高頻、剛需和普及應(yīng)用，更多是用戶打發(fā)無聊時(shí)間的玩具。智能硬件則有助于語音交互的普及，讓語音成為真正的剛需應(yīng)用。

智能硬件需要語音來解決所存在的交互短板，最終實(shí)現(xiàn)人與人對(duì)話一樣的自然、簡(jiǎn)單和智能化的交互模式。語音市場(chǎng)也想要抓住正在爆發(fā)的智能硬件市場(chǎng)，抓住被用戶大量高頻使用的機(jī)會(huì)。

二、百度切入語音交互：互聯(lián)網(wǎng)巨頭的新玩法

語音市場(chǎng)并不是全新的。美國(guó)有Nuance這類老牌巨頭，中國(guó)有科大訊飛這樣的百億元市值公司以及云知聲、思必馳等后來者，除了專業(yè)公司之外，Apple、 Google、微軟、百度、搜狗、微信在語音技術(shù)上均有所投入。中國(guó)最近動(dòng)作最大的玩家則是百度。在科大訊飛等語音巨頭深耕10多年的背景之下，百度打算如何玩?

1、完全不同的技術(shù)原理。

傳統(tǒng)語音識(shí)別技術(shù)基于概率論和統(tǒng)計(jì)學(xué)，需要人工監(jiān)督。百度語音則是基于深度學(xué)習(xí)，以百度大腦為基礎(chǔ)，百度大腦是百度在人工智能時(shí)代的核心智能平臺(tái)，圖像識(shí)別、自然語言處理，均會(huì)基于百度大腦。百度語音由GPU深度學(xué)習(xí)基礎(chǔ)設(shè)施支撐，不僅更準(zhǔn)確，識(shí)別所需的運(yùn)算更加快速和經(jīng)濟(jì)。除了識(shí)別之外，在語義理解上一直專攻自然語言搜索的百度優(yōu)勢(shì)更是不言而喻。

而百度語音開放平臺(tái)負(fù)責(zé)人張克寧則透露，傳統(tǒng)語音平臺(tái)基于已有技術(shù)已經(jīng)很難再有大的改進(jìn)，百度語音基于全新的技術(shù)原理更有機(jī)會(huì)取得突破性進(jìn)展，比如抗噪技術(shù)、響應(yīng)時(shí)間等都有突出表現(xiàn)。今年8月，科大訊飛在百度大腦問世之后，對(duì)外正式宣布要推出“超腦計(jì)劃”，以應(yīng)對(duì)以百度大腦為代表的新一波語音技術(shù)浪潮，這個(gè)計(jì)劃要實(shí)現(xiàn)基于類人神經(jīng)網(wǎng)絡(luò)的認(rèn)知智能引擎，而它的推出也在一定程度上驗(yàn)證了傳統(tǒng)語音玩法已慢慢過時(shí)，未來幾年語音技術(shù)會(huì)有爆發(fā)式的突破。

2、完全不同的平臺(tái)玩法。

任何語音平臺(tái)最終都要比拼合作伙伴數(shù)量，這決定用戶數(shù)量和使用情況。更多人使用語音將能貢獻(xiàn)更多的語料等數(shù)據(jù)，幫助語音效果不斷提升。目前，科大訊飛擁有的合作伙伴數(shù)量可能在行業(yè)里位居前列，開發(fā)者也達(dá)到數(shù)萬級(jí)別。百度語音平臺(tái)此次正式開放則有著完全不同的思路。

百度語音平臺(tái)與百度的內(nèi)容深度融合，比如百科知識(shí)、地圖路線、問答結(jié)果、天氣等中間頁服務(wù)，面向智能硬件還有百度Inside等平臺(tái)，百度可以提供多種不同的模板便于開發(fā)者整合，GoogleNow比Siri表現(xiàn)更好正是因?yàn)閮?nèi)容更強(qiáng)。百度語音開放平臺(tái)基于API和離線包，支持混合模式，針對(duì)不同行業(yè)提供不同的模板，而不是為每家企業(yè)量身打造，也不是基于License的軟件包形式，是更加“互聯(lián)網(wǎng)”的開放平臺(tái)。

3、與行業(yè)玩家完全不同的目的。

百度要做智能生態(tài)，語音只是開放的一部分，百度還有大數(shù)據(jù)引擎、百度云、百度地圖、百度圖像識(shí)別等多維度API開放出來。百度語音開放，為的是用戶、流量和數(shù)據(jù)，通過在不同設(shè)備和不同APP中滲透進(jìn)百度語音，夯實(shí)入口。傳統(tǒng)語音玩家就算免費(fèi)提供語音能力，最終還是要通過增值服務(wù)賺錢。百度語音為的是服務(wù)，被百度視作連接服務(wù)的一種方式和必備的能力，傳統(tǒng)語音玩家則是把語音作為自己的看家本領(lǐng)想辦法基于語音衍伸一個(gè)新的生態(tài)實(shí)現(xiàn)盈利。

三、語音未來走向何方?突破技術(shù)瓶頸成為必備交互手段

盡管智能硬件給語音帶來新一波機(jī)會(huì)，但語音技術(shù)依然存在著不少瓶頸，其中典型的有移動(dòng)網(wǎng)絡(luò)、識(shí)別能力、抗噪能力、遠(yuǎn)場(chǎng)交互、方言識(shí)別還有語義理解。不過這些瓶頸正在一個(gè)又一個(gè)被攻克，比如4G網(wǎng)絡(luò)普及和離線語音技術(shù)就可以很大程度解決網(wǎng)絡(luò)問題，再比如深度語音識(shí)別可以提升語義理解、語音識(shí)別和抗噪能力。在傳統(tǒng)語音巨頭和互聯(lián)網(wǎng)語音玩家的合力之下，這些瓶頸最終都會(huì)消失。

未來，語音交互與人工智能、深度學(xué)習(xí)、云端內(nèi)容深度耦合，語音識(shí)別能力并不是孤立存在的，將語音轉(zhuǎn)化為文字之后，能夠提供什么、能夠做什么，才是關(guān)鍵所在。這就需要與云端內(nèi)容和服務(wù)、與人工智能深度結(jié)合起來。這樣看來，搜索引擎在做語音上有著得天獨(dú)厚的條件。語音正在成為新的搜索入口，IOT時(shí)代，語音即搜索。

還有一個(gè)趨勢(shì)是，語音會(huì)與不同行業(yè)深度結(jié)合。比如教育行業(yè)的口語評(píng)測(cè)、兒童歌曲、兒童互動(dòng)教育，再比如呼叫中心的語音客服。這都需要對(duì)行業(yè)深厚的理解和足夠定制化的解決方案。科大訊飛這類傳統(tǒng)語音巨頭已經(jīng)在某些行業(yè)深耕，其他的行業(yè)機(jī)會(huì)則留給了開發(fā)者，基于百度、訊飛等公司的語音開放能力，與行業(yè)結(jié)合實(shí)現(xiàn)行業(yè)定制化的語音方案。

值得一提的是，語音并不是萬能的，未來的交互一定是多元化的，文字、圖像、視頻、體感、觸感都不會(huì)消失，不同產(chǎn)品、不同場(chǎng)景，會(huì)有不同的交互訴求。語音雖然很重要，但也只是其中一種。比爾蓋茨說過，人們總是高估一項(xiàng)新技術(shù)在一兩年內(nèi)能夠做到的，卻低估語音在五到十年能做到的，語音就是曾經(jīng)被低估的技術(shù)，其潛力正在被激發(fā)出來。