为什么智能语音把IOT盘活了

编者按：本文来自微信号段小张说（ID：DuanLangShuo），36氪经授权转载。

前两天蒋总的朋友问我，如何在自己的豪宅布置智能家居（真是扎心）。交流了各种协议走线问题后，我问他控制中心怎么做，豪哥提出打算用美帝的Control4的触控面板。屌丝终于在此刻找到了自豪感，我淡淡地告诉他，自从用了粗粮家的『小爱同学』，家里的无线开关已经开始积灰了，更不用提智能家庭App了。

虽然无法精确度量，但喜欢窝在沙发上看国剧的我，本能地发现说一句『小爱同学，关闭客厅的灯』要比伸手去找遥控器（或者遥控器替代品）要省时省力，耗能少。某声学项目的FA曾严谨地比较过不同交互方式的优劣（当然他们的结论是Voice First）。 我的理解是，不同的任务，有不同的最佳交互路径，例如对于复杂的长时间输入（例如写这篇文章，或是coding），目前的软件仍然需要键盘的支持。对于多轮次复杂逻辑的交互，由于视觉的反馈很快，触控也具有一定优势（例如重设一部手机，或是在App上买机票）。但如果是单轮轻度输入，语音的优势就会很明显（例如，让小爱/Siri帮忙设置早上7点的闹钟，绝对是Killer App）。更有趣的是，在这个场景下语音将复杂的输入设置（早晨，7点，每天重复，确认）合并了，一气呵成，妙不可言。

但真正让智能语音用起来的，并非单纯的识别技术，甚至不是玄妙的智能对话，我觉得是这种交互第一次突破了距离的限制。能够躺在床上/沙发上随意发号施令，之前只能由『真人助理』来完成。虽然早几年的Siri等一票语音助手希望解决同样的问题，抛开时不时的答非所问不讲，单纯拿起手机按下Home键再举到嘴边这个动作，就已经很令人扫兴了。

相反地，红楼梦在王熙凤出场时，用到了『粉面含春威不露，丹唇未启笑先闻』这句诗。可以想象，当凤姐还远在屏风之后时，笑声已然传来；同样的，主人在卧室看书，也可以通过语音把客厅的灯和电视关掉。之前曾有人希望通过视觉或超声波做『隔空手势识别』，相对于同样远距离的语音，使用的复杂度和学习成本都太高了。

远场的一系列功能是如何实现的呢？为什么之前的语音助手都是近距离的呢？引用相非老师的技术架构图，在进行语音识别（包括本地和云端）之前，有一系列复杂的声学前端算法，包括：

• 回波抵消（去除音箱自己播放的音乐）

• 波束形成（只听人说话的那个方向，去除其他方向的干扰）

• 去混响（简单理解为去除桌椅板凳的声音反射）

• 声纹识别（爸爸在说还是妈妈在说）等

经过这一系列的声学处理，相对『干净』的语音信号才会进入负责唤醒的模型，唤醒之后才会进一步地进入云端负责语音识别的模型。

这一交互涉及到了：

• 物理硬件层（声腔结构设计，麦克风阵列设计）

• 信号层（上述声学处理）

• 后续的数据层（语音识别，NLP，TTS等）

这三层分别需要物理声学，信号处理，和计算机专业三个领域的人才相互配合，是个相当复杂的工程。这还只是语音技术层面，作为消费级产品，一款音箱想要达到好的效果，还涉及到产品层，和产品之上应用层面的一系列问题。

亚马逊号称已经投入5000人的研发团队，另外还有1000个职位Open，地主家的余粮还是多多的。当然，贝索斯敢于如此投入，也和Alexa一骑绝尘的战绩相关，目前根据三方统计，贝爷家的各种音箱已经出货1500台以上，这还不包括通过AVS认证的第三方设备（大概在400-500万台之间），整个市场占有率应该在70-80%。更有杀伤力的是，随着出货量的增长，Skills（类似手机上Apps）的数量也几乎同步增长，看来已经形成了『硬件-系统-软件』的正循环。

回到本文的主题。IOT喊了很多年，从20年前的智能家居，到09年无锡落地的物联网产业园，再到14年火热的智能家居创业，乃至去年底孙正义大神提出鞋子比人更聪明，IOT都处在只打雷不下雨的尴尬状态。之前我的认识是『云——网——端』三层中端的密度不够，即设备数量还不够多，从而数据量不够大，和人接触点也不够多。

但根据小米公布的数据，MIOT在16年底大约5000万入网设备，17年中6000万，17年11月开发者大会上讲是8000万。5000万和8000万我觉得并没有本质的差别，但融入了智能语音交互后，原先的App指令控制，传感器触发，变成了远场语音控制。这样一来，交互界面从单一的手机App（家里不方便），传感器触发（冷冰冰且不丰富），扩展到了无处不在的语音指令（方便且有温度）。这大概解释了小米开发者大会场面火爆的原因吧。

当然，语音交互绝不止是远距离版的遥控器而已。再借用相非老师一张图，独立于智能家居的硬件设备外，语音交互有机会将随身设备，车载设备，乃至互联网的一系列服务串起来。例如，我们可以在车里通过语音提前把外卖点好（真是屌丝福音），或是在跑步时通过耳机把家里的热水器打开（目前还需要解决低功耗唤醒问题），或是在家通过音箱把凯叔召唤出来给孩子讲故事（已经实现）。

或许，技术本身就是让原本少数人的特权（钢铁侠的Javis）飞入寻常百姓家。能够见证这一过程，的确令人兴奋。