内容摘要：導讀：在線的語音交互依賴於雲端去處理，設備的前端往往隻做聲音的采集、回聲消除和噪聲抑製等處理後，就通過網絡送入雲端做語音識別和處理，處理後的結果又在通過網絡返回回到設備中。隨著移動互聯網和人工智能的發
導讀：在線的語音交互依賴於雲端去處理，設備的前端往往隻做聲音的采集、回聲消除和噪聲抑製等處理後，就通過網絡送入雲端做語音識別和處理，處理後的結果又在通過網絡返回回到設備中。
隨著移動互聯網和人工智能的發展，基於語音的交互已經越來越重要、也越來越普及，從目前技術水平來看，在安靜環境、標準口音、常見詞匯上的語音識別率已經超過95％，完全達到了可用狀態，由此也奠定了語音交互功能被廣泛應用在包括智能手機、智能音箱、智能家電等等各種各樣設備中的技術基礎。
在線語音交互痛點：依賴網絡和延遲大 不過，目前語音交互技術的使用還是離不開網絡和雲端。從技術層麵上看，一個完整的智能語音交互閉環的係統，包括語音信號采集和預處理（降噪、回聲消除）、後端語音識別、自然語音處理（理解、決策、表述）、語音合成等各個模塊。其中語音識別到語音合成過程需要較大的數據量和計算量，往往會被放到雲端去處理。
無論是現今市場火爆的智能音箱還是各大家電廠商推出的智能冰箱、智能電視，采用的是語音交互大多數都是上述這種在線語音交互方案，所以設備在使用前往往需要借助智能手機將智能音箱連接網絡。深圳市木瓜電子科技有限公司技術支持工程師邱鬆曉指出，在智能家居、智能硬件中使用語音交互，替代遙控器，可以解放用戶雙手，帶來很多便捷性，但是，目前使用在線語音交互功能還需要先解決一些現有存在的缺點。
“在線的語音交互依賴於雲端去處理，設備的前端往往隻做聲音的采集、回聲消除和噪聲抑製等處理後，就通過網絡送入雲端做語音識別和處理，處理後的結果又在通過網絡返回回到設備中，這其中就有產生兩個問題：首先，一旦網絡出現問題，語音交互功能就很有可能癱瘓；其次，就算在網絡狀態好的情況下，設備的響應速度還是不盡理想，舉例來說，前端語音處理約50ms，通過網絡需要約100ms，雲端處理約500ms，還有延遲，再返回，加起來估計是1S到2S，特別是國內的網絡不穩定的情況下，有可能時間會更長。”
“此外，在線語音交互方案往往需要一個喚醒詞，在說出喚醒詞，等設備做出相應的回應後，才可以開始與智能設備對話，體驗不是很好。” ”邱鬆曉說到。邱鬆曉和其公司一直在從事語音交互技術方案的開發，也給客戶做過不少在線語音交互的方案，不過目前，他們也把不少精力放在一種更為簡化的離線語音方案上。此模塊方案可以實現單麥遠場語音拾取、語音喚醒、回聲消除、智能控製及語音播報等功能。
離線語音方案優勢在於實時和成本 離線語音方案，顧名思義就是語音識別處理在本地，並不需要上傳到雲端去處理。“以控製空調為例，我們先將‘請開空調’、‘調高一度’等命令詞經過算法訓練和模型匹配後固化在本地存儲中，當進行語音控製時不需要聯網，在本地存儲直接調用。”邱鬆曉說到，“相比在線方式，離線的方式確實有局限，這類方案更多屬於控製型的，不是交互型；而且由於本地的存儲空間有限，不像在線方案是通過雲端處理，所以命令詞確實會比在線的少，一般命令詞條在幾十條左右。”
集成了離線語音模塊的設備可以通過語音來控製執行一係列的操作指令，不過隻是不能像智能音箱一般進行查詢天氣、新聞、講故事、對話等交互。在智能音箱等在線語音方案如此火爆的情況下，木瓜電子同時也選擇了做離線方案，除了考慮到前麵提到的在線方案的不足外，其實更多是市場真正需求的使然。
一方麵，包括亞馬遜、京東、阿裏、騰訊等都推出了智能音箱，用智能音箱控製和連接家電，希望想通過此類產品搶占智能家居入口；另一方麵，各大家電巨頭也紛紛布局自己的智慧家庭生態，加入語音交互、AI等功能。無論是何種方式，智能家居要落地可能還需要一段較長時間，因為這其中涉及到一整個雲端平台和生態的打造，由某一家公司掌控或打通可能還是比較難的。“這樣我們是否就不能享受像智能家居中語音控製家電的便利呢？，其實家庭中很多設備，包括空調、窗簾、燒水壺、晾衣架、台燈等等，並不一定需要語音交互，我們隻是需要去簡化他們的控製方式，例如用語音控製來替代遙控方式，賦予一款產品具備被語音控製的能力，從而更高效解決用戶需求。”邱鬆曉表示。
對於這些僅僅需要語音控製而不需要交互的設備，用離線的方案或許更為合適。首先，離線智能語音交互模塊由於沒有了網絡傳輸的時間損耗，語音交互的實時性更高，據了解識別過程隻需要200ms，命令發出馬上可以做出反應，基本感覺不到延遲，用戶體驗好；其次因為無需配網，離線智能語音交互模塊具備用戶開機即用的屬性，無需教育用戶。同時不存在網絡異常的意外情況，使用友好度非常高。再者，成本更低，與在線方案十幾美金的成本相比，離線的方案隻需幾美金；而且，離線方案的目標市場更多是單品，不涉及雲端網絡或數據安全問題，產出會快很多。
通過不斷模型訓練和測試，離線方案識別率可達95％ 不過離線語音往往被認為是相對在線語音識別定位更為低端的應用，但是在技術上做到“離線語音識別”其實並不簡單。“我們常常說‘台上一分鍾，台下十年功’，對離線識別來說，也正正是這樣。在將聲音送入到設備之前，同樣也需要做語音的遠場拾音、降噪、回聲消除等處理，將處理幹淨的聲音就會和本地的模型進行匹配，如果匹配就執行動作。整個過程看似簡單，但是在命令詞的模型建立也需要花費不少功夫。” 上海互問信息科技有限公司華南區銷售總監孔令亞說到，“離線的方案需要給每一個命令詞建立一個匹配模型，每一個詞會錄入至少800個左右的樣本，樣本經過不停的訓練、模型匹配和測試，隻有通過測試這個模型才定下來，放到內存中。外界發出一條指令，就會和本地的模型進行匹配，如果匹配才能執行動作。目前我們可以做到200多條命令詞，不過一般應用場景在十幾天到幾十條就已經足夠了。”
此外，離線方案在一些指令或詞條的識別率甚至可做到比在線的高，例如互問信息離線語音控製模塊在家居環境下達到了95％識別率、2次／天的誤觸發。孔令亞解釋道，因為從樣本和訓練的數據量來看，建立模型的出發點就不一樣。離線的每一個詞條是專門花和時間去優化。而在線的不會去這麽做，中國的語言量這麽豐富，方言這麽多，這個工作量就非常大。例如‘請開門’這個指令／詞條，在線的方案不會專門去建立這樣的一個指令樣本和模型去進行訓練匹配，因為工作量太大難以實現。。所以在線的語音識別是針對字或句，而不是詞條，如果說一個‘打’字，在線方案可能很快可以識別，但是如果說‘打開門’，語速快些或帶有情感，因為沒有這個詞條的大量樣本訓練，很有可能就會誤判或識別慢。。
“為達到95％識別率、2次／天的誤觸發，我們要求每個語音命令詞都有800人左右的樣本，在聲音訓練過程中，不斷調整命令詞的語音模型，這些訓練樣本中也包含了多個地方性的普通話，如廣東地區、湖南地區、河南地區、北京地區等普通話。”他說到，“我們生成一個命令詞的時間需要6周左右的時間，前4周時間樣本采集和訓練，後兩周時穩定性測試。互問提供的語音命令詞，在國內使用幾乎是沒有存在太多問題，95％的識別率也是目前比較高的參數了。”
離線方案潛在市場或將開啟，下半年將陸續出貨 “目前我們方案還沒有完全推開，可以看到大家近端時間關注點都集中在智能音箱上，其實離線也是一個潛在的市場，與智能音箱也不算是競爭關係，大家各有應用場景。智能音箱去做交互都還可以理解，但是去控製一個家電的時候，這個過程還是比較複雜的，涉及到很多問題，生態問題，雲平台問題、安全問題。”邱鬆曉分析說，“像空調、燒水壺、台燈、目前還沒有涉及到和家電深度交流，這是機器人需要去做的事情，沒有人會想和空調去聊天。未來如果把計算機的能力集成到家電中，你靠近了家電就能感知判斷出你想幹什麽，這是真正的智能的，但是目前還沒有人能做到這一塊，也沒什麽人願意去做，成本和用戶體驗都是一道坎。所以目前大家的訴求就是加個語音控製，多了一種控製的方式，成本也不會提高很多，但是卻解決需要到處找遙控器的痛點，對消費者來說，達到方便舒適的功能就可以，不會去追求超前技術。”
離線識別方案其實早就有出現，不過因為識別率等問題一直沒有鋪開。早在一兩年前還是85％左右的識別率，隨著技術的發展，目前離線語音在家居環境中可以達到了95％，而且可以做到5m距離的遠場拾音、高語音識別率，低誤觸發率讓這一方案進入家庭、開啟市場成為可能。
孔令亞指出，消費者的操作習慣、市場的需求和聲音技術的積累，都是決定離線語音控製產品的市場發展的因素。近些年聲音技術公司的湧出，聲音信號處理技術提升和聲音樣本的積累，實現了離線語音識別率的提高，也就提升了用戶體驗，使用說話的方式去控製設備，必然會得到消費者喜歡。國內能夠提供商業性的離線語音控製方案的廠商僅幾家，並且前幾年這幾家公司都重點去投入在線語音識別和聲音相關的內容服務。所以離線語音控製方式的市場打開進度也受到一定的限製。但是離線語音控製方案的市場近期必然會被打開，離線語音控製方案成本低、量產速度快，控製準確率高。離線語音控製方案以輕量級方式進入到各個產品中，而不會像在線語音識別那樣生態係統複雜。
從市場反饋上看，目前家電廠商對這種方案的接受程度還是比較理想的。據了解，現在市場存貨量已經超過百萬級別，並且目前離線語音控製的聲控台燈、晾衣架、燒水壺等已經在量產出貨，在接下來的一年內，消費者將在空調、抽煙機、風扇、家居控製麵板、按摩儀、故事機、空氣淨化器，熱暖器，熱水器等產品中都可以體驗到，互問信息的模塊都已經切入到國內這些產品生產商進行項目配合。
“我們的離線模塊也是去年才開始推出，在之前有儲備很多研究和設計。客戶拿到樣本測試到生產，可能需要半年到一年時間不等，所以還沒有那麽快有典型的產品出來，預計今年下半年就有成品陸續出貨。接下來一年出貨量肯定不止1KK。”邱鬆曉對於市場前景信心滿滿。
