2018年是國內(nèi)智能音箱的火爆元年，市場上短時間涌入了以小米、阿里、百度和騰訊等為首的數(shù)十款智能音箱，甚至出現(xiàn)了深圳一條街就有百家智能音箱廠商的盛況。但是迄今為止，市場銷量超過百萬的智能音箱廠家只有小米和阿里。

去年“雙十一”阿里的補貼戰(zhàn)略很快就讓天貓精靈率先破百萬，而小米的小米AI音箱繼續(xù)沿用小米口碑營銷思路，憑借用戶體驗優(yōu)勢和性價比穩(wěn)步上揚，在缺貨嚴(yán)重且渠道漲價的情況下，也輕松超過百萬銷量。同時，小米的小愛mini音箱自發(fā)布后更是一周之內(nèi)銷量破百萬，自此，小米一家就擁有了小米AI音箱和小愛mini音箱兩款過百萬銷量的產(chǎn)品。目前，小米AI音箱依然保持著國內(nèi)語音交互體驗評價更好的優(yōu)勢。

很多人都會好奇這一點，為什么售價只有299元的小米AI音箱會贏得用戶口碑？除了小米的產(chǎn)品團(tuán)隊對于用戶體驗的精準(zhǔn)把握，其中智能音箱的靈魂——遠(yuǎn)場語音交互技術(shù)也起到了非常關(guān)鍵的作用。遠(yuǎn)場語音交互技術(shù)涉及到了麥克風(fēng)陣列、遠(yuǎn)場語音喚醒、語音端點檢測、遠(yuǎn)場語音識別、語義理解和語音合成等技術(shù)。

聲智科技獨家供應(yīng)了小米AI產(chǎn)品系列中的麥克風(fēng)陣列、遠(yuǎn)場語音喚醒和語音端點檢測及識別等技術(shù)，并與小米團(tuán)隊密切配合，從用戶體驗角度重新打造了一整套更適應(yīng)東方文化場景的新型遠(yuǎn)場語音交互技術(shù)，從技術(shù)決定了用戶的第一體驗以及語音識別的效果。

麥克風(fēng)陣列技術(shù)

麥克風(fēng)陣列是由一定數(shù)目的聲學(xué)傳感器組成，用來對聲場的空間特性進(jìn)行采樣并處理的系統(tǒng)。麥克風(fēng)陣列通常包含2個以上的麥克風(fēng)，2麥通常不稱為麥克風(fēng)陣列，這有點類似于四個輪子的汽車和兩個輪子的摩托車之間的比較。

一般認(rèn)為麥克風(fēng)陣列的核心技術(shù)是降噪，事實上并非這樣，2麥在通信領(lǐng)域就能實現(xiàn)比較好的降噪效果。麥克風(fēng)陣列的主要作用是幫助機(jī)器適應(yīng)更加復(fù)雜的場景，尤其是語音交互的興起，它事實上改變了人類必須學(xué)習(xí)適應(yīng)機(jī)器的現(xiàn)狀，轉(zhuǎn)而強調(diào)機(jī)器要學(xué)習(xí)適應(yīng)人類的語言和習(xí)慣，這是一個產(chǎn)品思維的重大轉(zhuǎn)變，將會影響未來眾多AI產(chǎn)品的用戶體驗設(shè)計。

麥克風(fēng)陣列的關(guān)鍵技術(shù)包含了通話降噪、混響抑制、回聲抵消、噪聲抑制、語音增強、波束形成、增益控制、識別優(yōu)化等。除此之外，聲智科技所提供的麥克風(fēng)陣列技術(shù)，還獨具抗強噪喚醒、90度抗強噪識別、空間感知和認(rèn)知等新技術(shù)，其中的90度抗強噪識別技術(shù)則是面向東方文化場景的獨特技術(shù)。

由于中國和日本的家庭主要以公寓為主，這類居家環(huán)境下影響語音交互效果的主要是掛在墻上的電視，當(dāng)智能音箱放置電視旁邊或者前方的時候，這時候噪聲源、語音源與智能音箱的夾角一般都會超過90度，當(dāng)電視音量很大的時候，保證智能音箱的識別精準(zhǔn)度就非常困難，目前來看，應(yīng)用到小米AI音箱的技術(shù)體驗更為出色。

東西方的文化差異造就了不同的技術(shù)導(dǎo)向，當(dāng)然也帶來了不同的技術(shù)測試驗證體系。所以，當(dāng)前國內(nèi)對于遠(yuǎn)場語音交互技術(shù)的測試驗證的諸多場景是與國外截然不同的。自然，當(dāng)問到為什么國內(nèi)要用60度夾角測試噪聲源的干擾情況？很多技術(shù)人員就回答參考國外的測試標(biāo)準(zhǔn)，事實上這是不對的。

國外的居住環(huán)境以別墅為主，智能音箱的主要應(yīng)用場景在開放式廚房，噪聲來源也主要是廚具設(shè)備噪聲，這相對電視噪聲來說更好處理（電視噪聲包含大量人聲），而且由于房子更大相對空曠，國外噪聲環(huán)境管理更加嚴(yán)格，室內(nèi)強噪的情況并不多見，因此對于90度抗強噪識別技術(shù)的需求也不強烈。自然，總的來看，國內(nèi)智能音箱對于遠(yuǎn)場語音交互技術(shù)的要求事實上遠(yuǎn)高于國外的標(biāo)準(zhǔn)。

遠(yuǎn)場語音喚醒技術(shù)

遠(yuǎn)場語音喚醒的主要作用距離是30CM-500CM，其主要技術(shù)指標(biāo)是喚醒率和誤喚醒率，這兩個指標(biāo)是一對蹺蹺板。聲智科技應(yīng)用到小米AI音箱的技術(shù)，具有三個非常獨特的優(yōu)勢，也是保證用戶體驗的關(guān)鍵因素。

其一就是寬場景高靈敏喚醒技術(shù)，這是用戶的第一體驗，小米AI音箱的喚醒詞是小愛同學(xué)，國內(nèi)不管任何地區(qū)的發(fā)音，甚至國外的英式中文基本上都能第一次喚醒小愛同學(xué)，最差情況三次之內(nèi)也能保證小愛同學(xué)響應(yīng)。

事實上這是很難做到的，因為喚醒率和誤喚醒率是一對蹺蹺板，當(dāng)喚醒效果很好的時候，誤喚醒通常也會很高，智能音箱毫無征兆的突然喚醒也是很麻煩的事情。為解決這個矛盾，通常會有些技巧性方法，比如阿里的天貓精靈，經(jīng)常第一次很難喚醒，需要第二次才能喚醒，這就是通過工程技巧降低誤喚醒率的通常做法。聲智科技的技術(shù)路線并非這樣簡單，而是必須優(yōu)先保證用戶的體驗，在此基礎(chǔ)上再降低誤喚醒率，同時還要提升強噪環(huán)境下的喚醒率，當(dāng)前也只有聲智科技的技術(shù)做到了這點。

其二就是低成本高容錯喚醒技術(shù)，特別是面向低成本高失真產(chǎn)品的時候，這項技術(shù)顯得尤其重要。小米的產(chǎn)品一直以性價比為核心占領(lǐng)市場，比如小米AI音箱售價僅為299元，拋去市場的補貼因素，至今還是市面上最便宜的智能音箱。這也意味著小米AI音箱的麥克風(fēng)、喇叭和結(jié)構(gòu)都會以成本因素為第一考量進(jìn)行選擇，這將帶給語音交互技術(shù)巨大的壓力，特別是自噪聲抑制和遠(yuǎn)場信號處理的難度極具增加。

舉個簡單例子，比如麥克風(fēng)器件的選擇，信噪比（SNR）70dB以上的麥克風(fēng)要比信噪比60DB的麥克風(fēng)的遠(yuǎn)場和抗噪效果更好，但是選用高信噪比的麥克風(fēng)，其結(jié)果就是成本會高出很多。為了給客戶更多產(chǎn)品設(shè)計的選擇自由度，聲智科技的技術(shù)必須徹底屏蔽硬件的差異化，并且努力幫助客戶降低成本，即便在一致性和失真度非常大的情況下，也要出色的保證用戶體驗的效果。這是聲智科技非常獨特的優(yōu)勢，當(dāng)然在一些特殊場景，也需要一些性能更好的麥克風(fēng)和芯片才能保證基本效果，所以Google、Amazon等國外的產(chǎn)品通常都會選用更高性能的麥克風(fēng)。Google、Microsoft等國外公司技術(shù)部門為了追求更好的演示效果，尤其不計成本使用高信噪比(SNR>70dB)的麥克風(fēng)器件和芯片，這也常常會誤導(dǎo)國內(nèi)廠商的判斷，聲智科技目前的技術(shù)幾乎做到極致，但是若廠商追求更好的效果，必然也還會增加各個鏈條的成本。

其三就是低功耗高性能喚醒技術(shù)，低功耗喚醒的核心就是算法的復(fù)雜度，這包括了麥克風(fēng)陣列算法和語音喚醒算法，聲智科技對于算法的優(yōu)化一直是非常領(lǐng)先的，目前在智能音箱最復(fù)雜的場景，即在立體聲回聲抵消過程中的打斷喚醒，聲智科技的算法復(fù)雜度也遠(yuǎn)優(yōu)于市面上的同類技術(shù)。

很多時候大家會對比一家廠商的語音喚醒技術(shù)，僅靠評判一個成熟喚醒詞（比如Alexa）也是不對的，應(yīng)該是考驗這家廠商定制喚醒詞的能力，以及服務(wù)的客戶數(shù)量，這個階段就極其考驗供應(yīng)商的技術(shù)迭代和服務(wù)支持能力，AI技術(shù)本身就是在不斷的演化和迭代。

語音端點檢測技術(shù)

語音端點檢測的目標(biāo)是要判定語音開始和結(jié)束的位置，一般定義在語音識別領(lǐng)域。但是由于語音端點檢測決定了語音識別的響應(yīng)速度，而且并不能向語音識別一樣通過增加服務(wù)器來解決，必須嚴(yán)重依賴算法來保證，所以當(dāng)前也成為了遠(yuǎn)場語音交互領(lǐng)域非常關(guān)鍵的因素。

舉個簡單例子，我們每個人說話的語速和節(jié)奏差異非常大，如何準(zhǔn)確判斷前端點和后端點以識別成一個句子，并且控制這個時間在幾百毫秒以內(nèi)（人類發(fā)一個“啊”音的時間大概是200毫秒），對于整個語音流程的體驗來說至關(guān)重要，否則判斷的失敗，也將會嚴(yán)重影響識別結(jié)果和語義理解。VAD判停的時間，長了影響交互體驗，短了難以適配復(fù)雜場景，還是以符合人類交流的習(xí)慣為最佳。

這其中還有一個技術(shù)難點，就是小愛同學(xué)喚醒之后的隨機(jī)應(yīng)答詞，包括“我在”，“哎”等，而且小米的應(yīng)答詞還可以根據(jù)系統(tǒng)音量自動調(diào)整，由于這些應(yīng)答詞會嚴(yán)重干擾語音識別的VAD功能，這是對語音端點檢測技術(shù)挑戰(zhàn)很大的應(yīng)用場景。

市面上的其他產(chǎn)品，比如天貓精靈系列則是取消了應(yīng)答詞，僅靠燈效來顯示喚醒狀態(tài)，而小度視頻音箱則是通過恒定低音量的應(yīng)答詞來繞開這項技術(shù)難題，顯然這類處理手段給用戶的體驗都不是太好。目前市面上最為成熟的還是聲智科技提供的動態(tài)應(yīng)答詞匹配檢測技術(shù)。

遠(yuǎn)場語音識別技術(shù)

由于遠(yuǎn)場智能產(chǎn)品的場景特殊性，遠(yuǎn)場語音識別相對更加垂直，比如智能音箱的識別偏重于音樂和百科領(lǐng)域，智能汽車的識別偏重于地圖和音樂領(lǐng)域，而對于地域性的覆蓋，則是遠(yuǎn)場語音識別著重考慮的，并不能簡單把方言劃歸為一個技術(shù)系列，特別是消費電子領(lǐng)域的高度標(biāo)準(zhǔn)化思維，幾乎不可能存在切換ASR的方法。

所以聲智科技的ASR就要在垂直領(lǐng)域考慮更多場景難題，比如老人和小孩的識別怎么辦？南方和北方的語言差異怎么辦？真正的產(chǎn)品落地需要考慮眾多應(yīng)用場景的難題，而并非只是簡單的技術(shù)疊加。

場景語音合成技術(shù)

語音合成的兩個關(guān)鍵點，一個是聲線的優(yōu)美程度，另外一個就是抑揚頓挫的語感流暢程度，這決定了用戶對于機(jī)器的真實體驗。

其中，第一種技術(shù)需要選擇獨特的聲優(yōu)就行聲音采集和訓(xùn)練，由聲優(yōu)的聲線決定了合成聲音的效果，選擇聲優(yōu)是一個考驗產(chǎn)品經(jīng)理能力的任務(wù)。第二種技術(shù)則更為重要，是要保證機(jī)器朗讀的聲音更加符合人類的習(xí)慣，但是目前來看所有的產(chǎn)品還遠(yuǎn)遠(yuǎn)沒有達(dá)到這點，聲智科技也正在致力研究突破這項技術(shù)，估計一到兩年時間我們就可以聽到幾乎和人類聲音感覺相同的機(jī)器聲音。

技術(shù)細(xì)節(jié)決定口碑

真正贏得用戶口碑的技術(shù)，都是極其注重細(xì)節(jié)的技術(shù)，而這類技術(shù)通常符合我們常說的“二八規(guī)則”，即企業(yè)需要投入80%的精力來實現(xiàn)20%的提升。遠(yuǎn)場語音交互領(lǐng)域非常符合這一特點，表面似乎每家公司的技術(shù)大致一樣，但實際上真正服務(wù)到百萬、千萬甚者上億用戶的時候，才是真正考驗這家技術(shù)公司實力的時候。特別是當(dāng)市場用戶對于AI產(chǎn)品用錢投票的時候，用戶事實上不太關(guān)注單項指標(biāo)，而真正關(guān)心的則是綜合各個細(xì)節(jié)的語音交互體驗。