語音智能的“技術(shù)控”

2014年5月29日，微軟（亞洲）互聯(lián)網(wǎng)工程院發(fā)布了一款名為“小冰”的人工智能聊天機器人。這個號稱擁有16歲少女智商的機器人首先出現(xiàn)在微信平臺上，頂著一張90后“萌妹子”自拍照的頭像。這種明確的性別定位，與可男可女的機器人Siri有了些許不同，反而更像一個真實存在的“人”。

然而，這位萌妹子成為“微信紅人”后卻問題不斷。5月30日，部分小冰公號在對話時出現(xiàn)了“無應(yīng)答”“答非所問”“重復(fù)回答”等故障。研發(fā)方就此致歉，稱為公測期準(zhǔn)備的10萬個小冰賬號于上線首日被搶注一空，同時與小冰聊天的用戶超過百萬，導(dǎo)致?lián)矶?。另一方面，也有“部分小冰被騰訊微信系統(tǒng)誤判為SPAM賬號”，即垃圾賬號的原因。

5月31日，認(rèn)證為“微軟必應(yīng)項目經(jīng)理”的新浪微博公號稱“企鵝有時候不讓我說話”。次日，微軟宣布，“騰訊公司在未做任何說明的情況下，突然開始大規(guī)模殺死在各個聊天群組之中的小冰賬號?！北灰曌鳌捌姹钡男”?，僅三天即告夭折，而其在聲明中使用的“屠刀”等措辭，將這次紛爭升格為了戰(zhàn)爭。

微軟方面指責(zé)騰訊以微信出現(xiàn)假冒賬號為借口，封殺了全部真正的小冰。并稱在上線伊始，雙方就建立了溝通渠道，“我們建議可采用任何形式的合作，雙方的溝通本來正在進(jìn)行”。騰訊公司則聲稱，接到了大量用戶詢問，擔(dān)心這款產(chǎn)品的運營方式是否會泄露用戶聊天內(nèi)容。“經(jīng)查證后發(fā)現(xiàn)該產(chǎn)品涉及模擬用戶操作、誘導(dǎo)用戶拉群、批量注冊垃圾賬號等影響平臺規(guī)則和用戶體驗的違規(guī)行為”。但騰訊亦稱仍在與微軟溝通。 雙方談判隨后終告失敗。微軟在近幾天內(nèi)迅速與易信、米聊合作，讓小冰在上述平臺“復(fù)活”。此外，微軟還稱將與觸寶結(jié)合，擔(dān)當(dāng)用戶生活服務(wù)私人助手；并與奇虎360公司達(dá)成“戰(zhàn)略合作”，預(yù)期在“人工智能、移動互聯(lián)等方面展開深度技術(shù)合作”。而騰訊方面亦在開發(fā)自己的語音智能產(chǎn)品。

圍繞語音智能的一場大戰(zhàn)似已拉開序幕。

一度“失聰”

在2011年Siri隨iPhone 4s面世之前，無論是語音應(yīng)用還是人工智能領(lǐng)域，這樣的“熱鬧”都還不可想象。

就算是中國語音應(yīng)用第一品牌科大訊飛股份有限公司（下稱科大訊飛），語音支撐軟件在2010年實現(xiàn)營業(yè)收入也僅6400萬元。業(yè)界公認(rèn)該公司占據(jù)語音應(yīng)用60%以上市場份額，換言之，市場總量不過1億元，且主要是基于語音合成業(yè)務(wù)。海通證券分析師陳美鳳測算，由語音識別業(yè)務(wù)帶來的營業(yè)收入不到語音支撐軟件收入的10%。

語音應(yīng)用主要分為三大部分，語音識別、語音合成和聲紋識別，其中聲紋識別技術(shù)目前尚未真正形成市場。如果說將Siri及其同類產(chǎn)品看作一個“人”的話，語音識別可以視作他的耳朵，而語音合成則是“嘴巴”。

讓機器人“說話”更容易。早期的語音合成可以簡單理解為“錄音+重放”。首先邀請一名閱讀者錄制較常出現(xiàn)的詞句。而后在“說話”時，將文本切割為短句、詞語甚至是發(fā)音片斷，與錄音資料進(jìn)行匹配后播放。但這種做法有時會令語句聽起來相對生硬，甚或較難理解，因此自上世紀(jì)80年代以來，對語音合成技術(shù)的改進(jìn)主要是針對自然度和音質(zhì)。這一技術(shù)在公交、地鐵等公共廣播系統(tǒng)應(yīng)用已久，智能手機出現(xiàn)后也被廣泛用于讀書、讀報軟件。

一度成為語音應(yīng)用瓶頸的是語音識別技術(shù)。上海智臻網(wǎng)絡(luò)科技有限公司（下稱智臻科技）先后推出的MSN聊天機器人、海寶機器人曾經(jīng)風(fēng)靡一時。公司董事長袁輝稱，在2004年首次開發(fā)MSN機器人時，也曾考慮過讓它能“聽說讀寫”，但最終仍僅定位為文字機器人，原因是當(dāng)時的語音識別技術(shù)不成熟，“識別率只有60%，甚至更低”。

早在上世紀(jì)90年代就已經(jīng)出現(xiàn)了商用的中文語音聽寫系統(tǒng)，用于將人口述的語句轉(zhuǎn)換為文字存儲，省卻雙手打字之累。當(dāng)時的這類系統(tǒng)必須經(jīng)過使用者的“訓(xùn)練”才能勉強“聽懂”這個人的話，其他人使用則又要再度訓(xùn)練，且對發(fā)音、語速都有較高要求。火了一段時間后很快沉寂。

楊寧平2003年回國創(chuàng)業(yè)時，國內(nèi)都談不上有語音識別市場。當(dāng)時在美國等一些國家，語音識別技術(shù)已經(jīng)被用于一些企業(yè)的呼叫中心，代替人工接線員，但在國內(nèi)，企業(yè)“機器聽懂人話”的反應(yīng)普遍都是“怎么可能”？楊寧平創(chuàng)立上?；⒂嵖萍加邢薰荆ㄏ路Q基立訊）初期，長年靠其他電話業(yè)務(wù)勉強維持。

要讓機器“聽”懂人話，首先要將語音信號轉(zhuǎn)換為機器能夠識別的頻譜，將其與系統(tǒng)中已有的聲學(xué)模型進(jìn)行比對，從而確認(rèn)發(fā)音。雖然每個人說話的時候音量、聲調(diào)、頻率各不相同，但相同的發(fā)音轉(zhuǎn)換為頻譜后，仍會擁有共同的幾項特征。這些特征就是識別不同發(fā)音的關(guān)鍵。比如，“方（fang第一聲）”“風(fēng)（feng，第一聲）”“分”（fen，第一聲）”“粉（fen，第三聲），排除聲母發(fā)音后，不同的韻母和聲調(diào)會顯示不同的特征。

在對發(fā)音進(jìn)行識別的過程中，系統(tǒng)已有的聲學(xué)模型至關(guān)重要。除了要有準(zhǔn)確性，還要盡量包容每個人不同的口音。早期建立這一模型的方法，是由使用者本人進(jìn)行“訓(xùn)練”，通過招募志愿者閱讀指定文字收集語音語料建立“說話人無關(guān)模型”。但是志愿者量不夠大，這導(dǎo)致模型的準(zhǔn)確性和包容度皆不足。

上海交通大學(xué)電子信息與電器工程學(xué)院特別研究員俞凱認(rèn)為，互聯(lián)網(wǎng)尤其是云計算技術(shù)的應(yīng)用，是搜集語料的最大助力。“現(xiàn)在一些開放的語音識別平臺，像谷歌、百度、搜狗有上千萬人在用，能夠收集上億數(shù)據(jù)。真正的說話人無關(guān)模型就是互聯(lián)網(wǎng)普及后出現(xiàn)的?！?/p>

提高識別率的方法還有模糊匹配、領(lǐng)域限制等。對機器而言，發(fā)音并不等于文字。例如，發(fā)音“feng”，究竟是“鋒利”的“鋒”，還是“山峰”的“峰”，或是其他同音字，還需要再進(jìn)一步與語言模型進(jìn)行比對，找出最接近的一組顯示出來?！耙酝饕墙厝∫恍┒陶Z、短句，但是語料豐富、技術(shù)發(fā)展后，會用一串發(fā)音去比對，因此反而是較長的語句識別準(zhǔn)確率更高。”楊寧平介紹。

然而，無論研究者將已有技術(shù)一步一步改進(jìn)得多么細(xì)致，語音識別在本世紀(jì)初都只是一個十分狹小的領(lǐng)域，企業(yè)大多較小甚至微小。當(dāng)時基立訊所有成員一共三人，如今的行業(yè)巨頭科大訊飛也只是個十多人的“草臺班子”。研究者亦多集中于中國科學(xué)院自動化所、聲學(xué)所，及北大、清華和中國科技大學(xué)三大院校。他們能夠接到的語音識別業(yè)務(wù)也都十分有限，要么是在大型項目中分一杯羹，要么就是一些試驗性的“創(chuàng)新項目”，難稱保本，遑論盈利。

拯救者Siri

市場的拯救者Siri在2011年出現(xiàn)了。它將語音技術(shù)與人工智能相融合，激發(fā)了技術(shù)控們的熱情。百度、搜狗等搜索引擎紛紛推出語音搜索功能，騰訊則是語音輸入法，長虹、聯(lián)想等則將其引入了智能電視、智能手機等各類家電。

資本熱情在2012年爆發(fā)?？拼笥嶏w迎接各大機構(gòu)的密集調(diào)研，動輒六七十人集體前往，市盈率也由70倍升至90倍。成立于2012年6月的北京云知聲信息技術(shù)有限公司更是在成立500天后就獲得了高達(dá)1億元的A輪融資，創(chuàng)造了當(dāng)年這一領(lǐng)域的最高融資記錄。

但在袁輝看來，Siri并不等同于語音技術(shù)。這款機器人之所以受到追捧，固然是因為“聽”“說”能力更像一個“人”。但要像人一樣“陪聊”，僅僅會聽說遠(yuǎn)遠(yuǎn)不夠，更重要的是“大腦”。很多人認(rèn)為Siri是智能語音，但它實際上是機器人，只是以語音形式來互動?？拼笥嶏w像美國的Nuance，而小i就是中國的Siri。智臻科技成立于2001年，小i是其主打的智能機器人品牌。Nuance是一家語音識別技術(shù)研發(fā)機構(gòu)，也是Siri的語音轉(zhuǎn)換引擎的提供商。

袁輝自認(rèn)為，2003年至2011年，其所在公司一直是全球最大的虛擬機器人提供商和運營商。但直到三年前Siri推出，公司方實現(xiàn)盈利。此前則幾經(jīng)艱難，甚至一度靠私人借高利貸維持。

與以往的聊天機器人相比，Siri及類似產(chǎn)品確實顯得更加“智能”。此前的一些聊天機器人運用的是關(guān)鍵詞抓取技術(shù)，根據(jù)關(guān)鍵詞進(jìn)行反應(yīng)。如一句話中出現(xiàn)了“天氣”，即便使用者只是無意中提及這個詞，得到的回答就是當(dāng)?shù)禺?dāng)天的天氣。經(jīng)常被逗樂的還有不能判斷否定句，如輸入“我愛你”和“我愛你才怪”，得到的回答都是“我愛你”。

這源自機器人對語義理解不足。智臻科技資深市場顧問梅莉介紹，僅在銀行信用卡系統(tǒng)中，該公司收集到的余額查詢表達(dá)方式就有200多種，包括“查詢余額”這樣出現(xiàn)頻率較高的，也有“老子還有多少銀子”等。只有讓機器理解各類千奇百怪的表述和具備邏輯能力，才能真正可以讓機器用自然語言交流。

更大的問題在于降噪。車載語音導(dǎo)航設(shè)備一度被認(rèn)為是語音技術(shù)應(yīng)用的一大增長點。然而實際應(yīng)用中，行駛過程中產(chǎn)生的噪音，往往令機器難以識別語句的語音，導(dǎo)致無法進(jìn)一步實現(xiàn)交流。這種情況在智能家居領(lǐng)域相對好些，但要識別哪些話是人們的普通交談，哪些話是對機器人“說”的，難度則又進(jìn)一層。

解困

Siri之后，機器人的耳朵和大腦都變得越來越“智能”，現(xiàn)在如何讓語音智能“有用”成為挑戰(zhàn)。

即使有了蘋果公司的支持，Siri的“無所不知”之路也難稱順利。多數(shù)使用者嘗鮮后很快厭倦了Siri，并不真正用這個“助理”查詢天氣、交通等，也不使用它的語音撥號等內(nèi)置應(yīng)用，Siri的“所知”也十分有限，它更像是一個純娛樂性的聊天機器人。問題是，聊天無法產(chǎn)生價值，換言之就是“沒用”。

要讓語音智能“有用”，智臻科技找到的出路是客服。小i被廣泛用于金融、通訊領(lǐng)域的短信和網(wǎng)絡(luò)客服，以及社保、財政、街道等政府部門自動問答系統(tǒng)。這種做法的好處是，將服務(wù)范圍限制在一定領(lǐng)域內(nèi)，從而提高語音、語言和語義識別的正確率。相較通用語音識別引擎85%的正確率，此類服務(wù)的正確率則都在90%以上甚至更高。

招商銀行信用卡微信機器人是最受歡迎的七大微信公號之一，其識別正確率目前已達(dá)98%。用戶在添加這個賬號后，可以像真人一樣和機器人對話，獲得常見問題的回答。用戶在綁定信用卡后，則可以查詢自己的賬單、還款金額和積分等信息，還可以辦理分期付款等簡單業(yè)務(wù)，復(fù)雜業(yè)務(wù)亦可由系統(tǒng)直接跳轉(zhuǎn)至手機銀行辦理。

小i也被用于短信客服系統(tǒng)。一般的短信自助客服系統(tǒng)須經(jīng)過早已設(shè)計好的路徑，操作復(fù)雜，耗時較長。如要進(jìn)行余額查詢，往往需要經(jīng)過服務(wù)語言、服務(wù)大類、服務(wù)小類、服務(wù)細(xì)目的層層選擇，而相對智能化的自助客服系統(tǒng)則能直接將客戶引至操作層。據(jù)稱這樣做可令招行節(jié)省約5000萬元短信費用。

智臻科技項目負(fù)責(zé)人孟慶國估算，銀行業(yè)每通客服電話的成本大約是5元（包含人員工資、通信費、水電、座席硬件設(shè)備等）。2012年招行卡中心客服的人工話務(wù)量超過6000萬通，若微信的智能互動和自助服務(wù)能節(jié)省10%的話務(wù)量，則招行信用卡中心一年節(jié)省的費用大概是3000萬元。

IT研究和顧問咨詢公司Gartner在2011年的分析報告中就曾指出，截至2011年，全球大約有36家智能機器人系統(tǒng)服務(wù)商。在其調(diào)查的19家服務(wù)商中，收入大于500萬美元的近三分之一。Gartner預(yù)計，2014年全球1000強公司中至少有20%會采用智能機器人系統(tǒng)來提高服務(wù)水平。

盡管如此，語音智能應(yīng)用仍有長路要走。除人工智能難在通用領(lǐng)域產(chǎn)生價值外，語音識別仍是瓶頸。由于中文方言繁多，對口音甚至方言的識別，需在大量語料積累的基礎(chǔ)上，非經(jīng)濟(jì)實力和用戶基礎(chǔ)雄厚不能做到。目前僅科大訊飛陸續(xù)公開推廣相關(guān)識別引擎。

“Siri定位是做個無所不知無所不能的機器人，如果能實現(xiàn)肯定非常厲害，就是變形金剛出現(xiàn)的時候。小i就是在‘變形金剛’這條路上走了八年，最后死掉了?！痹x認(rèn)為，這條路不是普通創(chuàng)業(yè)者能走的。