上周二角塑，小米在北京召開了首屆小米 IoT 開發(fā)者大會(huì)，雷軍宣布淘讥，在接入 8500 萬設(shè)備之后圃伶，小米 IoT 平臺(tái)迎來全面開放，包含模塊和硬件開放準(zhǔn)入、米家 APP 開放接入窒朋、新零售渠道開放搀罢、智能設(shè)備互聯(lián)互通開放控制和 AI 云、大數(shù)據(jù)的開放共享侥猩。

四個(gè)月前榔至，小米的智能音箱「小愛同學(xué)」發(fā)布時(shí)，小米在 IoT 領(lǐng)域的積累為 AI 產(chǎn)品帶來的助力就已經(jīng)顯露出來欺劳。

作為「小愛同學(xué)」的第一批用戶唧取，順為資本投資經(jīng)理段譽(yù)在自己的公眾號(hào)上，撰文講述了自己和「小愛同學(xué)」的相處時(shí)光划提，以及他對語音智能的一些行業(yè)洞見枫弟。

本文系段譽(yù)的投稿，深圳灣（公眾號(hào) ID：shenzhenware）在保留原文內(nèi)容基礎(chǔ)上鹏往，對文字進(jìn)行了部分優(yōu)化媒区。

段譽(yù)，2013 年初加入順為資本掸犬，主要負(fù)責(zé)考察移動(dòng)互聯(lián)網(wǎng)和智能硬件領(lǐng)域的投資機(jī)會(huì)袜漩，曾參與了華米科技、Yeelink湾碎、Ninebot宙攻、馭光科技等公司的投資。段譽(yù)畢業(yè)于北京大學(xué)經(jīng)濟(jì)學(xué)院介褥，擁有經(jīng)濟(jì)學(xué)學(xué)士和碩士學(xué)位座掘。業(yè)余時(shí)間，他喜歡健身和越野跑柔滔，曾完成了北京 TNF 21KM溢陪，寧海 50KM 越野挑戰(zhàn)賽等賽事。

故事的開始

前兩天朋友跑來問我睛廊，如何在自己的豪宅布置智能家居形真。交流了各種協(xié)議走線問題后，我問他控制中心怎么做超全，這位壕哥提出咆霜，打算用美帝的 Control4 的觸控面板做中控。

屌絲終于在此刻找到了自豪感嘶朱，我淡淡地告訴他蛾坯，自從用了粗糧家的「小愛同學(xué)」，家里的無線開關(guān)已經(jīng)開始積灰了疏遏，更不用提智能家庭 App 了脉课。

我在「小愛同學(xué)」身邊發(fā)現(xiàn)了語音交互的妙不可言

雖然無法精確度量救军，但喜歡窩在沙發(fā)上看國劇的我，本能地發(fā)現(xiàn)說一句「小愛同學(xué)倘零，關(guān)閉客廳的燈」唱遭，要比伸手去找遙控器（或者遙控器替代品）要省時(shí)、省力视事、耗能少胆萧。

某聲學(xué)項(xiàng)目的 FA 曾嚴(yán)謹(jǐn)?shù)乇容^過不同交互方式的優(yōu)劣庆揩，當(dāng)然他們的結(jié)論是 Voice First（語音交互優(yōu)先）俐东。而我的理解是：對于不同的指令任務(wù)，有不同的最佳交互路徑订晌。

對于復(fù)雜的長時(shí)間輸入（例如寫這篇文章虏辫，或是 coding），目前仍然需要鍵盤的支持锈拨。對于多輪次復(fù)雜邏輯的交互砌庄，視覺交互的反饋更快，觸控也具有一定優(yōu)勢奕枢，例如重設(shè)一部手機(jī)娄昆，或是在 App 上買機(jī)票。

但如果是單輪輕度輸入缝彬，語音交互的優(yōu)勢就會(huì)很明顯萌焰，例如，讓「小愛同學(xué)」幫忙設(shè)置早上 7 點(diǎn)的鬧鐘谷浅，絕對是「Killer App」扒俯。更有趣的是，在這個(gè)場景下一疯，復(fù)雜的輸入設(shè)置——早晨撼玄、7點(diǎn)、每天重復(fù)墩邀、確認(rèn)——通過語音交互可以一氣呵成掌猛，妙不可言。

我們更喜歡語音交互辣往，并非因?yàn)橛姓Z音識(shí)別技術(shù)兔院，或是語音智能對話，而是因?yàn)檎Z音交互第一次突破了人機(jī)交互距離的限制站削。能夠躺在床上/沙發(fā)上隨意發(fā)號(hào)施令坊萝，過去只能由「真人助理」來完成，現(xiàn)在可以由設(shè)備來完成了。

雖然這些年 Siri 等手機(jī)語音助手一直致力于解決同樣的問題十偶，但單純拿起手機(jī)按下 Home 鍵再舉到嘴邊做這個(gè)發(fā)號(hào)施令的動(dòng)作菩鲜，就已經(jīng)很令人掃興了，更不要說因?yàn)橹形膶υ挷粔蛑悄艿牖琒iri 時(shí)不時(shí)的答非所問接校。

除了語音交互技術(shù)之外，還有通過視覺或超聲波的「隔空手勢識(shí)別與交互」的技術(shù)狮崩，但它們相對于同樣遠(yuǎn)距離的語音交互蛛勉，使用的復(fù)雜度和學(xué)習(xí)成本都太高了。

我在「小愛同學(xué)」身后學(xué)習(xí)了遠(yuǎn)場語音技術(shù)

遠(yuǎn)場語音交互的一系列功能是如何實(shí)現(xiàn)的呢睦柴？它和近場語音的區(qū)別在哪里诽凌？

帶著這些問題，我研究了相非老師的技術(shù)架構(gòu)圖：

在進(jìn)行語音識(shí)別（包括本地和云端）之前侣诵，有一系列復(fù)雜的聲學(xué)前端算法，包括：

• 回波抵消（去除音箱自己播放的音樂）
  
• 波束形成（只聽人說話的那個(gè)方向狱窘，去除其他方向的干擾）
  
• 去混響（去除桌椅板凳的聲音反射）
  
• 聲紋識(shí)別（區(qū)分爸爸在說還是媽媽在說）
  

經(jīng)過這一系列的聲學(xué)處理杜顺，相對「干凈」的語音信號(hào)才會(huì)進(jìn)入負(fù)責(zé)喚醒的模型，喚醒之后才會(huì)進(jìn)一步地進(jìn)入云端負(fù)責(zé)語音識(shí)別的模型蘸炸。

這一交互涉及到了：

• 物理硬件層（聲腔結(jié)構(gòu)設(shè)計(jì)躬络，麥克風(fēng)陣列設(shè)計(jì)）
  
• 信號(hào)層（上述聲學(xué)處理）
  
• 后續(xù)的數(shù)據(jù)層（語音識(shí)別、NLP幻馁、TTS 等）
  

這三層分別需要物理聲學(xué)洗鸵、信號(hào)處理、和計(jì)算機(jī)專業(yè)三個(gè)領(lǐng)域的人才相互配合仗嗦，是一個(gè)相當(dāng)復(fù)雜的系統(tǒng)工程膘滨。

以上這些知識(shí)，還只是語音技術(shù)層面稀拐。作為消費(fèi)級(jí)產(chǎn)品火邓，智能音箱想要達(dá)到好的用戶體驗(yàn)效果，還涉及到產(chǎn)品層面德撬、以及產(chǎn)品之上應(yīng)用層面的一系列問題铲咨。

我在「小愛同學(xué)」身上看到了未來已來

IoT 喊了很多年，從 20 年前的智能家居蜓洪，到 2009 年無錫落地的物聯(lián)網(wǎng)產(chǎn)業(yè)園纤勒，再到 2014 年火熱的智能家居創(chuàng)業(yè)，乃至去年底孫正義大神提出的「鞋子比人更聰明」隆檀，IoT 都處在只打雷不下雨的尷尬狀態(tài)摇天。究其原因粹湃，我曾經(jīng)認(rèn)為是「云-網(wǎng)-端」三層中端的密度不夠，即設(shè)備數(shù)量還不夠多泉坐，從而數(shù)據(jù)量不夠大为鳄，和人接觸點(diǎn)也不夠多。

根據(jù)小米最新公布的數(shù)據(jù)腕让，MIoT 在 2016 年底大約 5000 萬入網(wǎng)設(shè)備孤钦，2017 年中達(dá)到 6000 萬臺(tái)，2017 年 11 月在小米 IoT 開發(fā)者大會(huì)上纯丸，公布了 8500 萬的入網(wǎng)設(shè)備偏形。

在我看來，5000 萬和 8000 萬并沒有本質(zhì)的差別液南，但這些 IoT 設(shè)備一旦融入了智能語音交互后壳猜，原先的 App 指令控制勾徽、傳感器觸發(fā)滑凉，就變成了遠(yuǎn)場語音控制。這樣一來喘帚，交互界面從單一的手機(jī) App（家里不方便）畅姊、傳感器觸發(fā)（冷冰冰且不豐富），擴(kuò)展到了無處不在的語音指令（方便且有溫度）吹由。

當(dāng)然粗合，語音交互絕不只是遠(yuǎn)距離版的遙控器而已。

獨(dú)立于智能家居的硬件設(shè)備外乌昔，語音交互有機(jī)會(huì)將隨身設(shè)備隙疚、車載設(shè)備、乃至互聯(lián)網(wǎng)的一系列服務(wù)串聯(lián)起來磕道。常見的語音交互場景包括：在車?yán)锿ㄟ^語音交互設(shè)備供屉，提前把外賣點(diǎn)好（已經(jīng)實(shí)現(xiàn)）；在跑步時(shí)通過智能耳機(jī)溺蕉，把家里的熱水器打開（還需要解決低功耗喚醒問題）伶丐；在家通過智能音箱，把凱叔召喚出來給孩子講故事（已經(jīng)實(shí)現(xiàn)）疯特。

技術(shù)本身就是讓原本少數(shù)人的特權(quán)（鋼鐵俠擁有的 Javis）飛入尋常百姓家录别。能夠見證這一過程羹与，的確令人興奮。