圖片來源：視覺中國(guó)
在鈦媒體在線課“鈦坦白”第47期，我們邀請(qǐng)了三位鈦客分享對(duì)于人機(jī)交互方式中的語音交互的看法。本期鈦客之一、騰訊物聯(lián)云語音云總經(jīng)理毛華，負(fù)責(zé)騰訊的物聯(lián)和語音技術(shù)的產(chǎn)品研發(fā)和生態(tài)建設(shè)。自2011年加入騰訊以來，先后負(fù)責(zé)騰訊手機(jī)管家、應(yīng)用寶、QQ物聯(lián)、視頻云、語音云的產(chǎn)品規(guī)劃與建設(shè)，在互聯(lián)網(wǎng)產(chǎn)品與創(chuàng)業(yè)方面擁有超過17年的行業(yè)經(jīng)驗(yàn)。
本文節(jié)選自毛華在鈦坦白的分享。如果您還不是鈦媒體Pro用戶，希望查看鈦坦白所有干貨，進(jìn)入鈦坦白九個(gè)專業(yè)群交流，并查看更豐富的專業(yè)數(shù)據(jù)和信息，可點(diǎn)擊：http://m.chcmb.cn/pro 注冊(cè)。
非常感謝佳音，也感謝鈦媒體，可以有這樣的機(jī)會(huì)跟群里的各位朋友交流。
先介紹一下騰訊云小微。騰訊云是一個(gè)智能服務(wù)平臺(tái)，主要由兩大平臺(tái)組成：一是小微硬件開放平臺(tái)，各類硬件都可以接入這個(gè)平臺(tái)；二是小微Skill開放平臺(tái)，讓接入的這些硬件具備一些能力。
小微硬件開放平臺(tái)可以接入的硬件形式多樣，種類也不限，大部分聯(lián)網(wǎng)的硬件都可以接入，目前支持Android和Linux兩大操作系統(tǒng)。而且接入非常簡(jiǎn)單，小微提供SDK，硬件只需要接入這個(gè)SDK，經(jīng)過簡(jiǎn)單的配置即可實(shí)現(xiàn)所有語音輸入與內(nèi)容輸出的能力。我們最快的接入案例是一個(gè)Android機(jī)器人，只用了兩天時(shí)間就完成了所有的能力接入。
小微Skill開放平臺(tái)則可以接入大量的內(nèi)容與服務(wù)，以便讓硬件具備更多的能力。比如為智能音箱設(shè)備提供QQ通信、音樂、FM、物聯(lián)等能力，用一個(gè)QQ或微信帳號(hào)即可實(shí)現(xiàn)內(nèi)容與服務(wù)的聯(lián)動(dòng)。我們希望通過小微智能服務(wù)平臺(tái)幫助硬件快速實(shí)現(xiàn)聽覺和視覺的能力，無論是音箱、小屏設(shè)備、機(jī)頂盒電視機(jī)，還是汽車、機(jī)器人、冰箱等設(shè)備都可以快速接入，并具備小微語音和視覺的能力。
騰訊其實(shí)有很多Ai技術(shù)儲(chǔ)備，只是都在為各自的業(yè)務(wù)提供能力，比如語音識(shí)別和語義分析，微信在過去的幾年里一直在打磨并應(yīng)用于微信內(nèi)，比如優(yōu)圖的人臉識(shí)別已經(jīng)做到了全球第一，并應(yīng)用于天天P圖和視頻監(jiān)控等領(lǐng)域，比如QQ物聯(lián)在過去的2年多時(shí)間里接入大量的智能硬件設(shè)備。就是因?yàn)橛辛诉@些技術(shù)積累，小微智能服務(wù)平臺(tái)只用了1個(gè)月時(shí)間就實(shí)現(xiàn)了從0到1的智能語音音箱Demo，如此之快的原因就在于，小微的框架用的是QQ物聯(lián)平臺(tái)，語音能力用的是微信的語音識(shí)別與語義分析，再結(jié)合微信的QQ音樂、企鵝FM、騰訊視頻、K歌等帶有大量版權(quán)的內(nèi)容，完成了從0到1的搭建。大公司有個(gè)優(yōu)勢(shì)，就是把資源一整合，一個(gè)新的東西就出來了，不過從Demo到平臺(tái)穩(wěn)定易用還有一堆的事情要做。
接入小微，就可以自帶很多資源，具體來說分這么幾部分：
一是帶有大量版權(quán)的內(nèi)容，音樂（QQ音樂是中國(guó)最大的正版音樂庫，四大唱片公司中有3大公司的版權(quán)在騰訊），企鵝FM里有廣泛的有聲讀物內(nèi)容包括相聲故事評(píng)書等，還有騰訊文學(xué)（閱文集團(tuán)是中國(guó)最大的文學(xué)版權(quán)方），騰訊視頻也是最大的版權(quán)擁有方，以及其他如新聞、動(dòng)漫、股票等內(nèi)容。
二是所投資的內(nèi)容與服務(wù)公司的業(yè)務(wù)很廣泛 ，如滴滴出行、58同城、美團(tuán)、醫(yī)療、新東方英語等，這些都為設(shè)備提供了很多有價(jià)值的服務(wù)，如在設(shè)備上用語音打車或叫家政服務(wù)或在帶屏設(shè)備上進(jìn)行語音互動(dòng)等。
三是QQ、微信的通信能力，每個(gè)接入的設(shè)備都可以是通信工具，實(shí)現(xiàn)與QQ或微信的電話、消息的互通。
四是物聯(lián)能力，Skill開放平臺(tái)不僅可以直接連接QQ物聯(lián)上的設(shè)備，也允許其他物聯(lián)平臺(tái)，如美國(guó)的Ayla物聯(lián)平臺(tái)、中國(guó)的機(jī)智云等通過Skill開放平臺(tái)接入，從而實(shí)現(xiàn)語音對(duì)設(shè)備的控制。
小微涉及到騰訊公司好幾個(gè)團(tuán)隊(duì)的協(xié)作，包括微信人工智能團(tuán)隊(duì)、AI Lab和優(yōu)圖團(tuán)隊(duì)。微信與AI Lab負(fù)責(zé)相關(guān)技術(shù)如語音識(shí)別、語義分析、翻譯、百科等，其他內(nèi)容團(tuán)隊(duì)提供海量的內(nèi)容。小微其實(shí)就是把騰訊內(nèi)部的這些人工智能團(tuán)隊(duì)的一些優(yōu)秀的成果集合到小微里為大家提供服務(wù)，無論是語音相關(guān)的能力還是圖像相關(guān)的能力，接入我們的平臺(tái)就可以實(shí)現(xiàn)一站式服務(wù)，從語音的識(shí)別到語義的分析以及內(nèi)容的返回再到TTS播放。
我們的理解是：未來硬件會(huì)是一個(gè)瘦終端，對(duì)硬件本身的要求會(huì)很低，而真正的能力都在云端。比如一個(gè)小盒子，也許只需要兩個(gè)麥克風(fēng)、一個(gè)小喇叭、一個(gè)WiFi模塊外加一個(gè)外殼就行，在深圳這樣的設(shè)備也許成本只需30元就搞定了，但是它所具備的能力卻相當(dāng)大。有的App也許不需要App的外殼，把內(nèi)容和服務(wù)抽取出來，比如滴滴可以沒有App只有服務(wù)，有人做了一個(gè)硬件的殼，加上2G網(wǎng)絡(luò)，對(duì)著設(shè)備叫車，然后車就來了，這個(gè)硬件就是App。內(nèi)容可以有多個(gè)不同的外殼，但內(nèi)容無處不在。
群友A：有個(gè)知名媒體人最近發(fā)了篇文章，吐槽每次使用智能音箱前都需要大喊一句命令，比如“叮咚叮咚”“小微小微”，這樣的交互比較不自然。
群友B：這個(gè)“命令”的字段可以修改吧？
毛華：是的，這里的自然順暢與實(shí)際應(yīng)用場(chǎng)景有關(guān)系。
群友A：就算修改，也是要一個(gè)命令。
群友B：最好是日常用語，這種“叮叮當(dāng)當(dāng)”比較奇怪，出廠預(yù)設(shè)幾個(gè)供用戶選擇。
毛華：?jiǎn)拘言~就像人的名字，語音互動(dòng)就像是兩個(gè)人交流，但如果在場(chǎng)的有三個(gè)人，都閉上眼睛說話，誰都不知道跟誰在說話，所以需要具體用名字來指向，喚醒詞就是這個(gè)名字，你在說話前先喊一下這個(gè)人的名字，對(duì)方才知道是在跟他說話，不過有些是有上下文關(guān)系，可以省略部分場(chǎng)景下的喚醒詞。
群友A：音箱的聲音特別大的時(shí)候，你召喚它，它聽不見你跟它說話會(huì)不理你，這個(gè)時(shí)候要把音箱的聲音調(diào)小，它才能識(shí)別人的語言。
毛華：?jiǎn)拘押驼`喚醒是對(duì)Array的考驗(yàn)，我試過一個(gè)7mic的Array，做得很不錯(cuò)，12米帶噪音環(huán)境下使用效果不錯(cuò)，不過未量產(chǎn)，希望這樣有能力的公司以后能為語音能力做出更多貢獻(xiàn)。
群友B：7mic聽起來有點(diǎn)多，看來未來也需要硬件的整合能力啊。
毛華：我本人認(rèn)為，在中國(guó)音箱產(chǎn)品未必是最好的形態(tài)，中國(guó)對(duì)音箱的需求不一樣，中國(guó)人對(duì)藍(lán)牙音箱和耳機(jī)的需求很大。
群友A：現(xiàn)在語音主要實(shí)現(xiàn)功能強(qiáng)大，未來實(shí)現(xiàn)語音性能多樣化，比如HIFI音質(zhì)，這樣會(huì)越來越淡化硬件，因?yàn)樵诤笈_(tái)或云端就都被語音整合好了。
群友C：但是目前經(jīng)過印證的智能家居中，音箱被公認(rèn)是比較容易做的起來的，所以亞馬遜、谷歌、蘋果都在發(fā)力。
毛華：中國(guó)與美國(guó)不一樣，美國(guó)是大house，中國(guó)是公寓，對(duì)于音樂的理解也不一樣。
群友A：亞馬遜語音也是一個(gè)偶然的產(chǎn)物吧。
毛華：我的理解就是一個(gè)偶然產(chǎn)物。
群友D：同意您的觀點(diǎn)，音箱不是最好的場(chǎng)景。家庭智能解決的是連接，語音非關(guān)鍵。
群友A：如果小孩子喚醒了小微，下了一個(gè)訂單或者叫了一輛車，實(shí)際上并不需要，這個(gè)場(chǎng)景怎么避免？
毛華：這個(gè)跟小孩拿了手機(jī)買游戲幣是一樣的問題，不過我們可以有聲紋，聲紋用于身份驗(yàn)證。
群友A：如果我希望小孩正常使用，比如聽歌什么的，是不是還要設(shè)置不同的權(quán)限，比如家長(zhǎng)模式？
毛華：我們有歌單，歌單通過QQ或微信帳號(hào)綁定，同時(shí)綁定聲紋。這樣每個(gè)人都可以聽到自己的歌單，出來的內(nèi)容是自己QQ音樂里的，并且可以通過聲紋進(jìn)行認(rèn)證。
群友A：關(guān)于語音交互質(zhì)量，騰訊有沒有評(píng)判標(biāo)準(zhǔn)？
毛華：這里特別要提只有少量?jī)?nèi)容的才可以做到各種識(shí)別能力的提升，交互質(zhì)量在于返回的內(nèi)容是否符合用戶的預(yù)期，我們有自動(dòng)化測(cè)試。
群友A：怎樣的標(biāo)準(zhǔn)呢？對(duì)或者錯(cuò)？怎么算對(duì)？
毛華：對(duì)錯(cuò)的評(píng)判有的有標(biāo)準(zhǔn)答案，有的沒有，沒有的情況下會(huì)進(jìn)行人肉判斷，請(qǐng)幾路專家打分。
群友A：語義理解有很高的技術(shù)門檻，聽見了不等于聽懂了，還存在同音詞問題。
毛華：這跟語境有關(guān)，上下文和語境是AI的一個(gè)關(guān)鍵點(diǎn)，語音識(shí)別率的提升只是時(shí)間問題，隨著麥克風(fēng)陣列和算法的提升，識(shí)別能力必然可以提升，相信明年就會(huì)不一樣。
群友B：語義理解我們提了四個(gè)標(biāo)準(zhǔn)：1.差異性，“你干嘛”和“你干嘛的”要能分開；2.同一性，“你公司在哪里”“貴司在什么地方”要能理解語義相似性；3.模糊性，“小明的生日是哪天”要能正確理解；4.一致性，就是前后說話要一致。
毛華：你說的很專業(yè)，但這些都不是什么太大的問題，語義要有糾錯(cuò)能力，比如用Siri，我說“我要去西溪樂谷”，它只知道“西溪肋骨”，但是訊飛和小微就知道是”西溪樂谷”，這是因?yàn)樗肋@個(gè)意圖是要去一個(gè)地方，這個(gè)地方叫樂谷，不是要去身上的肋骨，我們首先要識(shí)別意圖是干什么，然后在意圖下理解更多的關(guān)鍵信息，這里就需要糾錯(cuò)能力。
群友C：標(biāo)準(zhǔn)是不是后面可以再加兩個(gè)，一個(gè)是語音反饋的節(jié)奏，就像我們?nèi)撕腿藢?duì)話，說不同事情，語速和節(jié)奏是很自然的；第二個(gè)標(biāo)準(zhǔn)是語音表達(dá)能否更人性化，更自然一些，現(xiàn)在滿滿的機(jī)械感。
毛華：你說的是TTS，就是把文本轉(zhuǎn)成語音，這個(gè)目前實(shí)現(xiàn)得還可以，但還有很大的提升空間，目前語言交互的聲音語調(diào)基本還算是人話，但還需要提升，特別是沒有那些感嘆詞，比如“呵呵”“嘻嘻”，不太自然，如果能有感嘆詞那些語調(diào)就會(huì)自然很多。
群友B：人名、地名都很難處理。
毛華：我們?nèi)匀恍枰獙W(xué)習(xí)，如果你要打電話或發(fā)消息給誰，就要對(duì)應(yīng)的人名。QQ、微信的聯(lián)系人就更神奇了，什么符號(hào)都有，這個(gè)用語音就沒辦法了，只能判斷其中可讀部分的詞了。
群友A：多個(gè)團(tuán)隊(duì)一起做小微，對(duì)于騰訊這樣的大企業(yè)內(nèi)部協(xié)同會(huì)比較難吧？怎么處理的呢？
毛華：合作的著眼點(diǎn)在于是否達(dá)到雙贏，這點(diǎn)很重要。要站在對(duì)方角度思考能你給他帶去了什價(jià)值么。如果有價(jià)值，合作就一定很順。合作不順一定是沒有替對(duì)方思考。
群友B：應(yīng)該有一個(gè)專門負(fù)責(zé)整合的團(tuán)隊(duì)吧？
毛華：戰(zhàn)略的同學(xué)會(huì)幫忙整合，但只限于幫忙撮合。
群友C：騰訊是同一品類都有兩個(gè)不同的團(tuán)隊(duì)在做，看誰最終被市場(chǎng)認(rèn)可嗎？
毛華：只要有團(tuán)隊(duì)之間的利益共享都有可能合作好。內(nèi)部競(jìng)爭(zhēng)也是必不可少的，但都是良性競(jìng)爭(zhēng)。
群友A：語音互動(dòng)上下游的產(chǎn)業(yè)鏈可以大致介紹一下嗎？
毛華：我的理解是左右游，左邊是硬件，右邊是Skill，這是一個(gè)大生態(tài)。
群友A：對(duì)于Skill，我的理解應(yīng)該可以分很多步驟或叫做交互，可以講解一下嗎？以及每個(gè)步驟或交互的關(guān)鍵技術(shù)、機(jī)會(huì)等。
毛華：理論上可以有多個(gè)步驟，但不建議多于3個(gè)。首先語音交互的著眼點(diǎn)是效率，如果需要互動(dòng)3次才能得到答案就沒有效率了。就像打電信的服務(wù)電話10000號(hào)，撥進(jìn)去一串問題，一項(xiàng)服務(wù)要等很久才知道下一步要做什么，效率非常低，也會(huì)讓人很不耐煩。多輪交互只是在部分關(guān)鍵點(diǎn)信息缺失時(shí)才用到，比如“今天天氣怎么樣”，沒有提到城市，就會(huì)反問“請(qǐng)問你要了解哪個(gè)城市的天氣情況？”，語音交互的著眼點(diǎn)一定是效率優(yōu)先。
但語音也并非總是最有效率的交互形式，比如要查天氣，如果打開手機(jī)就需要好幾個(gè)步驟，此時(shí)用語音效率最高，說一句話一下就得到了結(jié)果。但是得到結(jié)果之后呢？要從天氣的第一個(gè)字開始聽到最后一個(gè)字可能需要10多秒，而用屏幕出來一個(gè)太陽加溫度，可能眼睛一掃，2秒就知道了所有信息，而此時(shí)屏幕視覺的效率最高，所以語音要與屏幕結(jié)合才能達(dá)到最高的效率。
群友A：這個(gè)似乎和硬件的產(chǎn)業(yè)鏈含義不太一樣，硬件有平臺(tái)、系統(tǒng)、器件、材料、生產(chǎn)再加上各個(gè)部分的應(yīng)用或軟件架構(gòu)等多個(gè)環(huán)節(jié)，從而組成整合硬件產(chǎn)品。
毛華：一定是不一樣的，硬件在語音生態(tài)中只是一環(huán)，硬件本身還有產(chǎn)業(yè)鏈。
群友A：語音生態(tài)都有哪些內(nèi)容，每個(gè)內(nèi)容的關(guān)鍵技術(shù)和機(jī)會(huì)所在呢?
毛華：理論上內(nèi)容可以有非常多，應(yīng)用寶上的每個(gè)APP都可以是語音的內(nèi)容，Skill本身可以理解為是一個(gè)APP。
群友B：這個(gè)APP已經(jīng)不止軟件了，包括實(shí)物，就是一個(gè)載體。
毛華：是的，包括內(nèi)容 、服務(wù)、其它硬件（被控制的設(shè)備，比如燈）。
群友A:我創(chuàng)業(yè)做了一個(gè)和騰訊小微一樣的東西，一套原本用于車載中控屏的系統(tǒng)，在我加入后覺得不要碰百年歷史的汽車供應(yīng)商體系，不碰硬件，改到共享汽車和共享單車市場(chǎng)，原本可以幫到真格投資的ofo和途歌共享汽車免于投資打水漂，現(xiàn)在看來騰訊出手，我們就沒得玩了。
毛華：這是一個(gè)大生態(tài)，我認(rèn)為創(chuàng)業(yè)公司可以做其中一環(huán)，但不適合大生態(tài)，這里最關(guān)鍵的不是技術(shù)本身，而是生態(tài)內(nèi)容服務(wù)能力。
群友B:騰訊這邊是以提供云服務(wù)和平臺(tái)為主，會(huì)有自己的硬件產(chǎn)品嗎？
毛華：騰訊有團(tuán)隊(duì)在做硬件，但小微是一個(gè)平臺(tái)，無論對(duì)內(nèi)還是對(duì)外都是一樣的支持。
群友C：語音生態(tài)騰訊會(huì)自己做，還是會(huì)聯(lián)合（幫助）創(chuàng)業(yè)企業(yè)一起做？騰訊希望在里面作為什么角色？
毛華：一定是聯(lián)合，小微是一個(gè)開放平臺(tái)，左邊連硬件，右邊連Skill，無論左邊還是右邊，都是合作伙伴的，我們只是搭建了一個(gè)平臺(tái)，通過語音的技術(shù)和圖像的技術(shù)把硬件與Skill連接起來。
群友A：語音交互涉及到的各種技術(shù)，努力方向是什么？未來機(jī)會(huì)所在又是什么？
毛華：語音識(shí)別現(xiàn)在其實(shí)做得比較不錯(cuò)了，但垂直領(lǐng)域的語義還需要加強(qiáng)，語義與大數(shù)據(jù)是分不開的，在大數(shù)據(jù)基礎(chǔ)上才可以做好語義的分析與內(nèi)容的輸出，未來的機(jī)會(huì)是做垂直領(lǐng)域的服務(wù)。
群友B：可用、安全、整合、強(qiáng)大、普及、標(biāo)準(zhǔn)，我覺得這是語音當(dāng)前做的事情和未來的一些機(jī)會(huì)所在。
毛華：目前語音設(shè)備離智慧還有一定的差距，要達(dá)到大家理解的智慧還有很長(zhǎng)一段路要走。需要大家的共同參與，讓設(shè)備學(xué)習(xí)更多的知識(shí)才可以，當(dāng)前還不具備這樣的條件。騰訊最大的優(yōu)勢(shì)是可以學(xué)習(xí)用戶行為，以此來了解用戶，從而反過來為用戶服務(wù)。
群友C：用戶普遍沒用使用語音交互的習(xí)慣怎么辦呢？
毛華：隨著遠(yuǎn)場(chǎng)語音拾取能力的提升，使用場(chǎng)景也會(huì)越來越多，習(xí)慣也就會(huì)有了，總之習(xí)慣建立在效率之上，什么樣的交互效率最高，就有機(jī)會(huì)改變習(xí)慣。
群友D：就語音人工智能而言，對(duì)CP來說，現(xiàn)在最好的創(chuàng)業(yè)方向是哪一個(gè)或哪幾個(gè)？
毛華：CP還是關(guān)注自己有哪些優(yōu)勢(shì)資源吧，我認(rèn)為兒童類的應(yīng)該有機(jī)會(huì)，有了語音后就可以互動(dòng)了，比如跟我念dog，然后語音識(shí)別后給個(gè)準(zhǔn)確判斷，就實(shí)現(xiàn)兒童英語的互動(dòng)學(xué)習(xí)了，當(dāng)然其他內(nèi)容也可以。
群友E：作為智能手機(jī)類產(chǎn)品經(jīng)理，如何和人工智能結(jié)合起來呢？未來發(fā)展上有哪些建議呢？
毛華：手機(jī)還是最好的AI承載設(shè)備，我相信以后的手機(jī)會(huì)具備遠(yuǎn)場(chǎng)語音能力，同時(shí)手機(jī)可以收集用戶很多行為和位置信息，從而反過來為用戶提供服務(wù)。華為手機(jī)就可以提醒你到公司的路況怎么樣了，三星S8手機(jī)每天睡覺前還提醒你要不要看看明天的安排，手機(jī)短信收到了訂機(jī)票的信息，手機(jī)就會(huì)提醒你要不要訂個(gè)酒店。
群友E：看來，手機(jī)硬件設(shè)備需要主動(dòng)與優(yōu)勢(shì)的人工智能應(yīng)用聯(lián)合起來，就像騰訊的各個(gè)專業(yè)部門統(tǒng)籌起來，做成小微，這樣才能有更優(yōu)的價(jià)值。
（本文獨(dú)家首發(fā)鈦媒體，根據(jù)騰訊物聯(lián)云語音云總經(jīng)理毛華在鈦坦白上的分享整理）
……………………………………………………
今晚7點(diǎn)，分享繼續(xù)～
快報(bào)
根據(jù)《網(wǎng)絡(luò)安全法》實(shí)名制要求，請(qǐng)綁定手機(jī)號(hào)后發(fā)表評(píng)論
語音交互 是現(xiàn)階段人工智能技術(shù)應(yīng)用比較多的幾個(gè)場(chǎng)景之一 。還包括人臉識(shí)別 圖像識(shí)別等場(chǎng)景。語音方面 目前國(guó)內(nèi)技術(shù)比較成熟的有科大 百度 云知聲等
語音交互有學(xué)問
社會(huì)的進(jìn)步，思維改變，不要停留
等語音交互比較難解決的問題能一一解決的話，那么類似咪咕靈犀，siri這樣的軟件發(fā)展將是爆發(fā)式的。