語音交互的歷史進程是怎樣的

百度剛剛發(fā)布了2019年全年及第四季度財報，總營收1074億人民幣、單季營收289億人民幣，除了營收上繼續(xù)保持雙向增長，人工智能新業(yè)務(wù)也展露出一些新氣象，并首次對外披露了這樣一組數(shù)據(jù)：

小度品牌第一方硬件的語音交互次數(shù)達(dá)到23億次（智能音箱、車載支架等），是去年同期的7倍多。

其實早在2018年第三季度財報時，百度就曾對外公開DuerOS（小度助手）的相關(guān)數(shù)據(jù)，不過彼時的數(shù)據(jù)主體還是DuerOS生態(tài)，TCL、vivo、索尼等合作伙伴的設(shè)備占了不小的比重。此時再看2019年12月的最新數(shù)據(jù)，小度語音助手的交互次數(shù)已經(jīng)超過50億次，比去年同期增長了3倍多。

值得一提的是，百度特意在財報中單獨公布了以小度智能音箱為主的第一方交互數(shù)據(jù)，或許可以從中讀出這樣兩個信號：

其一，小度智能音箱的市場銷量在公司層已經(jīng)得到了的認(rèn)可；

其二，智能音箱背后的語音交互或?qū)⑸仙搅斯菊w戰(zhàn)略。

對于第一個命題，諸如IDC、Canalys等市場研究機構(gòu)已經(jīng)在季度銷量報告中給出了答案。第二個命題似乎也不是什么新鮮話題，幾年前就出現(xiàn)了對語音交互價值的討論，但這一次似乎又有所不同。在“智能音箱大戰(zhàn)”的洪荒之力下，智能音箱正在以千萬級的季度出貨量走進一線城市到偏遠(yuǎn)鄉(xiāng)鎮(zhèn)的家庭，“語音交互”不再是什么陌生詞匯。

也就是說，幾年前討論語音交互還屬于霧里看花，所有的觀點都建立在某種假想上，今天卻早已是一個現(xiàn)實的商業(yè)話題。

語音交互的遠(yuǎn)景和近況

關(guān)乎語音交互的想象似乎從未停止，科幻電影《Her》中對語音交互的設(shè)定，大抵就是多數(shù)人認(rèn)可的遠(yuǎn)景：

1、語音助手可以個性化定制，選擇自己喜歡的聲音和性格;2、在數(shù)據(jù)處理上幾乎是萬能的，可以得到任何想要的結(jié)果;3、語音助手有自己的情感和思維方式，并可以被賦予形體。

在這樣的設(shè)定中，人工智能脫去了科技冰冷的面紗，有著人性化和活色生香的情緒，甚至可以讓人機對話變成情人間的絮語。和許多黑科技的誕生一樣，有了美好遠(yuǎn)景的語音交互成了幾代“程序員”的奮斗方向。

特別是深度學(xué)習(xí)技術(shù)在2010年引入到語音識別領(lǐng)域后，蘋果Siri、Google Now、百度語音、微軟Cortana等“語音助手”類產(chǎn)品應(yīng)運而生，有問有答的人機對話逐漸成為現(xiàn)實，哪怕機器還處于被動接受人類輸入大量數(shù)據(jù)階段，不能深層次理解人的意思。

智能音箱時代的語音開始進入到自然交互階段，不僅有問有答，人工智能還可以根據(jù)上下文邏輯和環(huán)境信息，作出個性化的決策或推薦。特別是百度等已經(jīng)在智能音箱中加入了多輪連續(xù)對話能力，人們和智能音箱的對話正越來越自然。

可即便如此，現(xiàn)階段的語音交互和《Her》中的“薩曼莎”，還有著286電腦和iPhone一樣的差距。但站在商業(yè)的視角上，看到的卻是樂觀的商業(yè)前景，而非感嘆技術(shù)上存在的鴻溝，原因同樣有二：

一是現(xiàn)階段的語音交互業(yè)已成為主流的人機交互方式，語音識別的正確率在97%以上，可以滿足大多數(shù)場景下的信息輸入，無異于十年前的觸摸屏。

二是語音交互用戶體驗的優(yōu)劣建立在已有的用戶數(shù)據(jù)上，很少有人會對智能手機產(chǎn)生依戀，對語音交互可能有不一樣的情感，商業(yè)基礎(chǔ)無疑更加穩(wěn)健。

那么，當(dāng)語音交互漸漸流行的時候，勢必會在商業(yè)上產(chǎn)生顛覆性的變化。

下一個BAT的“通關(guān)密碼”

事實似乎也是如此，互聯(lián)網(wǎng)的每一次繁榮都與人機交互方式的迭代不無關(guān)系。

比如PC時代的商業(yè)格局，幾乎是瀏覽器和搜索引擎主導(dǎo)的。

彼時用戶連接互聯(lián)網(wǎng)的行為被局限在鍵盤和鼠標(biāo)上，稍微極客一些的用戶可以通過瀏覽器輸入網(wǎng)址連接信息，大多數(shù)用戶是在搜索框中輸入關(guān)鍵詞，然后點擊鼠標(biāo)或回車鍵了解世界。在這樣的人機交互方式和用戶習(xí)慣下，信息的整合與輸出是“中心化”的，誰能掌握瀏覽器和搜索入口，誰就擁有信息分發(fā)的話語權(quán)，

智能手機的出現(xiàn)在某種程度上淘汰了鼠標(biāo)，進一步催生了APP的產(chǎn)品形態(tài)，直接導(dǎo)致搜索和瀏覽器的中心地位被削弱。

與之對應(yīng)的商業(yè)格局也迅速分化。早期的焦點是圍繞“應(yīng)用中心”的爭奪，誰拿到了APP的分發(fā)入口，誰就能搶到最大的一塊蛋糕，以至于左右一些APP的存亡。后期進入到超級APP林立的時代，也就是我們現(xiàn)在熟悉的場景，微信、淘寶、百度、抖音等APP占據(jù)了大量的用戶時間，“時間”取代“入口”成為互聯(lián)網(wǎng)體系的“硬通貨”。

沿循這樣的邏輯，語音交互的流行可能讓信息的分發(fā)方式重新拐向中心化，商業(yè)格局也將走向新的轉(zhuǎn)折點。

一個直接的例子，當(dāng)你給智能音箱發(fā)出指令播放某首音樂時，或許并不關(guān)心內(nèi)容來自于哪家音樂平臺，被削弱的恰恰是APP的存在感。語音交互主導(dǎo)的信息分發(fā)可能比PC時代更加“大一統(tǒng)”，當(dāng)大多數(shù)需求只要說句話就能解決時，用戶習(xí)慣中不會再有APP和瀏覽器的概念，也必將催生出新的“統(tǒng)治者”。

百度在財報中著重提及小度智能音箱語音交互次數(shù)的謎題，也就不難解開：

短期內(nèi)的小度智能音箱為百度的內(nèi)容體系帶來了新的落地載體，比如有屏智能音箱已經(jīng)是愛奇藝重要的流量渠道之一，同時智能音箱與智能家居設(shè)備的無縫連接，也將百度的能力邊界從互聯(lián)網(wǎng)內(nèi)容延伸到了IoT領(lǐng)域;

長遠(yuǎn)價值則在于語音交互重構(gòu)的新規(guī)則，中心化的信息分發(fā)恰恰是百度最擅長的打法。正如觸摸屏引發(fā)的移動互聯(lián)網(wǎng)浪潮，語音交互大概率將催生出新的生態(tài)，小度智能音箱的月交互次數(shù)和背后的用戶習(xí)慣，正是百度通往下一個時代的“通關(guān)密碼”。

簡而言之，下一個BAT出現(xiàn)的前提正是掌握語音交互的控制權(quán)。

新賽道開啟的“標(biāo)志符號”

不過百度并非是唯一對語音交互抱有野心的玩家。

2014年與WP8.1一同發(fā)布的Cortana，被賦予了一個美麗的中文名字“微軟小娜”，甚至與Bing、Azure一道成為微軟“云為先，移動為先”戰(zhàn)略的核心產(chǎn)品;2016年小娜的語音識別率正式超越人類，并且可以處理復(fù)雜的口語指令;2018年為了讓小娜的表達(dá)聽起來更人性化，微軟還收購了一家名為“語義機器”的人工智能初創(chuàng)公司……

但在2020年微軟卻選擇戰(zhàn)略性收縮小娜業(yè)務(wù)，小娜移動版停止服務(wù)，并在微軟桌面中被移除，最終被集成到M365辦公類型應(yīng)用中。

對于小娜的失敗，外界出現(xiàn)了各種各樣的解讀，比如微軟缺少移動終端的優(yōu)勢，導(dǎo)致小娜缺少用戶行為的數(shù)據(jù)滋養(yǎng);再比如微軟自身的固步自封，小娜缺少足夠的技能和應(yīng)用場景，被用戶拋棄可以說是必然的宿命。

這些解讀不無道理，可回到語音交互本身而言，微軟小娜的失利不可謂不是一種教訓(xùn)：要么做出足夠爆款的產(chǎn)品，讓語音交互的落地有一個標(biāo)志性的符號，進而在產(chǎn)品上持續(xù)迭代，品類上不斷拓寬;要么沒什么標(biāo)志性的產(chǎn)品出現(xiàn)，語音交互以靜默的方式在垂直行業(yè)中滲透，然后探路者在某個時間點被后來者超越。

微軟不幸成了后者，亞馬遜正努力成為前者。

在手機、PC和操作系統(tǒng)上近乎空白的亞馬遜，選擇了“Echo+Alexa”模式。其中Echo在某種程度上扮演了“標(biāo)志性符號”的角色，以智能音箱的產(chǎn)品形式擺脫了用戶固有的習(xí)慣，逐漸接受了用語音喚醒設(shè)備的方式;Alexa被不少人定義為“數(shù)字助理”，確切的說應(yīng)該是語音交互在行業(yè)中加速滲透的基礎(chǔ)設(shè)施，比如Alexa已經(jīng)被內(nèi)置于智能汽車、智能電視等硬件產(chǎn)品，并且擁有1.5萬種以上的技能。

國內(nèi)的百度似乎有著相同的打算，同樣是一邊以智能音箱來培養(yǎng)用戶習(xí)慣，一邊以小度助手打造語音交互的應(yīng)用場景。

按照以往的經(jīng)驗，當(dāng)一個行業(yè)開始出現(xiàn)“領(lǐng)頭羊”的時候，整個市場就會在變量的影響下開始高速擴張。智能音箱大抵就是語音交互歷史進程中的“標(biāo)志符號”，在語音交互上領(lǐng)跑市場的亞馬遜、百度等互聯(lián)網(wǎng)玩家，已然是新賽道中的領(lǐng)頭羊。

寫在最后

除了百度在財報中披露的語音交互數(shù)據(jù)，或許還有另外一個視角：

2010年中國網(wǎng)民規(guī)模為4.57億，到了2019年這個數(shù)字已經(jīng)增長為8.54億，智能手機的普及已然讓近4億人接入了互聯(lián)網(wǎng)世界。

但不可否認(rèn)的是，三線以下城市的不少網(wǎng)民還不能熟練的使用鍵鼠，在手機上的操作也局限于語音聊天、刷短視頻等基礎(chǔ)應(yīng)用。幾百塊的智能音箱正在創(chuàng)造新的聯(lián)網(wǎng)方式，哪怕是被輸入法阻隔在互聯(lián)網(wǎng)大門外的用戶，只要“說句話”就能搜索想要的信息。

一切美妙的化學(xué)反應(yīng)正在發(fā)生中，一個新的商業(yè)賽道正在被緩緩撬開，留待百度們的使命在于：如何為語音交互延伸出更多的技能，以及進一步優(yōu)化方言的語音交互，在技術(shù)上徹底踏平互聯(lián)網(wǎng)的門檻。

責(zé)任編輯：ct