思必馳讓智能硬件更“懂”你

賀文

語音作為人機交互的重要方式，要能夠形成一個閉環(huán)——信息搜索，服務(wù)獲取，任務(wù)達成。

除了調(diào)侃解悶，語音作為人與智能設(shè)備的交互方式之一，現(xiàn)在能做什么？

思必馳創(chuàng)始人、CEO高始興拿起手機，沒有直接解鎖屏幕，而是按下一個語音鍵說，“給浩然發(fā)短信”，一秒鐘左右，手機里傳來溫柔女聲“短信內(nèi)容寫什么”，“告訴他我已經(jīng)到北京了，明天會到深圳，我們見個面，幫我訂機票”。

原本我們發(fā)短信或者打電話，都得先解屏手機，再點擊“短信”或撥號，數(shù)個步驟后才能完成，而思必馳提供的這個針對智能硬件的解屏語音產(chǎn)品，即便設(shè)備沒有可觸摸的屏，發(fā)短信/打電話也相當(dāng)便捷。

“你再想想，未來搜索會怎么‘搜？”高始興很有興趣采訪先從這個話題開始。在他看來，會影響到未來搜索的主要因素有幾個：

一是整個硬件時代的迭代，從PC互聯(lián)網(wǎng)到智能手機移動互聯(lián)網(wǎng)，再到智能硬件的物聯(lián)網(wǎng)，硬件端已經(jīng)發(fā)生了翻天覆地的變化；相應(yīng)地，人機交互的媒介也變化巨大，從鍵盤、鼠標(biāo)，到觸屏，再到語音、手勢、虹膜等；在這樣的大背景下，未來用戶的搜索會越發(fā)的場景化，搜索的目的從傳統(tǒng)的信息查詢，轉(zhuǎn)變?yōu)榉?wù)的獲取、任務(wù)的完成。

思必馳希望能夠?qū)崿F(xiàn)的是，語音作為人機交互的重要方式，要能夠形成一個閉環(huán)——信息搜索，服務(wù)獲取，任務(wù)達成。

裝上“大腦”

高始興相信，搜索再往下走，特別在智能硬件端、在物聯(lián)網(wǎng)上，語音交互一定是核心人機交互手段之一?！罢Z音是唯一能傳遞復(fù)雜信息的交互手段，人臉、虹膜、手勢，現(xiàn)在來看還只能夠作為身份驗證，或者做一個簡單的搜索，要輸入復(fù)雜的信息一定是通過語音?！?/p>

在感知智能時代，語音交互更多的是簡單的語音識別，加自然語言理解，能夠?qū)崿F(xiàn)簡單的搜索和控制；在認知智能時代，人機交互時機器更懂用戶，懂用戶的歷史、懂用戶的上下文，而且機器聽不懂可以去問，允許用戶打斷，允許用戶糾正，機器既有耳朵又有嘴巴更有大腦。這些是在感知智能時代做不到的。高始興和思必馳團隊認為，在垂直領(lǐng)域里面，機器的認知智能應(yīng)該能做到，聽不懂會問、知道怎么問、問什么，核心目的是幫用戶快速地完成任務(wù)，這是人機對話的下一個階段，也是思必馳要做到的事情。

高始興介紹，思必馳現(xiàn)在主要做兩款產(chǎn)品：

一是AIOS（AISpeech Operating System）人機對話的智能操作系統(tǒng)，把思必馳全面的語音技術(shù)整合到操作系統(tǒng)里，把人機對話邏輯整合進去，把后端服務(wù)比如高德導(dǎo)航、音樂、天氣、聊天等服務(wù)整合進去，基于現(xiàn)在主流的操作系統(tǒng)，開發(fā)者（智能硬件方向上的合作伙伴）基于思必馳AIOS的標(biāo)準(zhǔn)化接口再做相應(yīng)開發(fā)，讓智能硬件產(chǎn)品能說會道，擁有了人機交互的能力；

一是核心硬件模組的研發(fā)，比如智能芯片、麥克風(fēng)陣列，這樣能配合思必馳的AIOS軟件，因為有些場景里的語音交互需要硬件的配合，才能讓交互的體驗、交互的效率更好。比如聲源定位，就需要環(huán)形麥克風(fēng)陣列這樣的硬件支持。

去年10月，蘋果收購了一家英國軟件創(chuàng)業(yè)公司VocallQ，加強Siri語音助手服務(wù)。高始興稱其為“全球做人機對話最棒的公司”。而該創(chuàng)業(yè)公司的創(chuàng)始人之一俞凱，就是高始興創(chuàng)業(yè)思必馳的搭檔。

“蘋果為什么要收購它，為了加強對話。未來通過語音和智能硬件物聯(lián)網(wǎng)之間進行人機交互的體驗，就應(yīng)該像在智能手機上一樣。”高始興說，不恰當(dāng)?shù)匕阎悄苡布锫?lián)網(wǎng)的爆發(fā)類比做智能手機，手機在功能機時只是通信的工具，打電話發(fā)短信，交互非常難，但是在智能機時代，觸摸交互非常爽，在智能手機上可以聽音樂看視頻可以購物，能夠承載豐富的場景，更多的服務(wù)涉及到生活的方方面面，“人機能夠?qū)υ捚饋恚菍崿F(xiàn)這種美妙體驗的第一步”。

力出一孔

語音交互技術(shù)不可能一蹴而就地去到那美麗新世界。

高始興認為，語音交互技術(shù)的發(fā)展需要經(jīng)歷：基礎(chǔ)的語音技術(shù)的提升，比如語音識別技術(shù)如何能夠解決降噪、遠場等問題，在場景化里的語音技術(shù)還需要提升，如何更準(zhǔn)確地聲源定位，做到更好的回聲消除等；全面的語音技術(shù)的應(yīng)用，人性化的語音合成比如名人的聲音、家人的聲音，基于語音的情緒識別等，讓人機的語音交互更加友好；多模態(tài)的交互技術(shù)的結(jié)合，比如如何結(jié)合人臉識別、虹膜識別、手勢識別等。

這三個語音交互技術(shù)的發(fā)展方向，思必馳都在做，不敢也不能對任一個方向有所放松，這是智能硬件物聯(lián)網(wǎng)時代，實現(xiàn)真正具有認知能力的人機交互界面所必須具備的。

對于思必馳這樣的創(chuàng)業(yè)公司來說，它的專注體現(xiàn)在，專注于智能硬件的語音交互，主要是針對車載、智能家居、機器人等智能硬件產(chǎn)品做垂直領(lǐng)域下的對話式交互。思必馳已于2015年10月和12月，相繼推出針對車載產(chǎn)品的AIOSFor Car智能對話操作系統(tǒng)和針對機器人的環(huán)形“6+1”遠場麥克風(fēng)陣列。思必馳的合作代表型案例包括小米藍牙語音體感遙控器、海爾馨廚冰箱、樂橙“小樂”機器人、捷渡中國“遠界”智能后視鏡等。

一個創(chuàng)業(yè)公司要成功必須要專注，力出一孔。高始興介紹，劍橋商學(xué)院管理學(xué)碩士畢業(yè)后，曾從事過基于語音技術(shù)的漢語語音糾正、英語語音測試等方向的創(chuàng)業(yè)，也就是之前的思必馳。2014年把教育事業(yè)部分拆出去，成立了“馳聲科技”，2015年被網(wǎng)龍全資收購。2014年全面轉(zhuǎn)型之后，思必馳將精力和資源主要放在智能硬件領(lǐng)域的語音交互技術(shù)方面。

在車載、智能家居、機器人三個智能硬件方向上，是均勻著墨，還是看市場成熟速度？高始興認為，從底層技術(shù)上，這些語音交互技術(shù)的應(yīng)用場景有很多共同的問題要解決，當(dāng)然在不同場景里應(yīng)用是有差異化，產(chǎn)品化速度和市場成熟速度也會不太一樣，車載市場會更快成熟一些，智能家居次之，機器人未來市場很大但是現(xiàn)在落地比較難。

高始興相當(dāng)推崇亞馬遜的智能音箱Echo，亞馬遜視為“家中的智能語音中心”型產(chǎn)品，其戰(zhàn)略重要性堪比Kindle。高推崇Echo，一方面是其語音交互技術(shù)已經(jīng)做得很棒；二是它已經(jīng)打通了服務(wù)，能做一些人機對話；三是它已經(jīng)初步構(gòu)成了一些交易閉環(huán)，已經(jīng)可以聲紋支付。今年亞馬遜在美國超級碗大賽期間的廣告，主角就是Echo。

高始興和思必馳團隊想做的，就是，讓中國一個個智能硬件設(shè)備，都能成為Echo，給每一款智能硬件裝上耳朵嘴巴和大腦。而現(xiàn)在，是剛剛開始。