隨著VR/AR這股熱潮逐漸冷卻之后，2017年電視圈子又火了另外一個東西——智能語音技術，還有一種說法叫做人工智能，說的樸素一點就是電視上的語音交互。雖然不是什么新鮮的概念，可是最近所有電視廠商的每一場春季發(fā)布會，幾乎都在著重的強調自家電視的智能語音技術，似巧合，又非巧合。智能語音技術為何在這個時間點在智能電視上井噴?值得我們?yōu)榇颂接懸环?/p>
智能語音的風口真來了？
投資界流行這樣一句話：投資要投“第三眼美女”，第一眼、第二眼美女交往的門檻和成本都比較高，而只有第三眼美女是屬于大眾的，對應到產品上，就是任何技術產品都要到第三代才能被大眾廣泛接受，才能長時間的存在下去。
人工智能技術從50年代的控制論與早期神經網絡，走到如今的AlphaGo、Master，現(xiàn)在正好在經歷技術發(fā)展的第三個階段。50年代末是一波高潮很多死掉了，到70年代的時候國家自然科學基金會都不支持了。80-90年代又活躍了一次，但許多認知科學家強烈反對當時很火的一個人工智能概念“物理符號系統(tǒng)假設”，認為身體是推理的必要條件，加上科研經費的削減，又死了。今天正好是第三波，理論上機遇比較大。
第三代技術應該足夠下方到消費領域，接下來我們看看各電視廠商智能語音技術具體的應用情況如何。
TCL：發(fā)布會上TCL著重演示了人工智能助手“小T”，具備感知、認知、服務、學習的三大特性。而“小T”是TCL集團與騰訊、阿里在人工智能及云服務上進行數(shù)據(jù)打通，實現(xiàn)資源共享的結晶。
長虹：推出以電視機為中心的人工智能平臺AI Center。據(jù)悉長虹除了與IBM、科大訊飛等達成合作，也與杜比、騰訊、華帝，以及清華大學、西安交大、微軟、中科院等結成“人工智能產業(yè)聯(lián)盟”。
微鯨：微鯨科技推出了微鯨智能語音電視2.0高端產品醉薄A系列，并宣布微鯨全線產品也將進入2.0時代。其與科大訊飛與美國麻省理工媒體實驗室、微軟等，分別在語音遙控、多媒體交互領域、人臉識別等方面達成了合作。
樂視：從樂視一代超級電視開始就搭載有語音功能，超級電視語音技術經歷從合作到自主研發(fā)的過程，樂視的超級語音技術，不僅包括語音識別和語義分析，其自主研發(fā)的語音合成TTS技術已全面上線。
幾乎每一個廠商都在強調對語音認知已從功能層面上升到人工智能。而且背后還有巨大的合作團隊，與知名的語音技術和人工智能平臺密切合作和研發(fā)。這種全軍出擊的局面，很難否定智能語音在電視行業(yè)的發(fā)展盛況。但盛況并不意味著技術和商業(yè)的足夠成熟。
語音識別究竟有多難？
為什么智能語音技術發(fā)展了這么長時間，還是做不到對語音和語意的精準識別呢?我們有必要先了解一下語音識別是怎么做到的。
聲音實際上是一種波紋，就像自然中的光譜一樣。如果要對聲音進行分析，就要先把聲音的這種波紋切分成很很多小片段，就好比一個視頻由很多幀畫面構成，畫面又由很多個像素點構成一樣，語音也可以切分成很多幀。所以語音識別的大概流程可以歸納為以下幾點：
采集：聲波信息分段采集
編碼：把每一單位長度的語音變成多維向量(內容信息)
訓練：從數(shù)據(jù)中學習對語音的判斷，而不是用人工的規(guī)則。 用數(shù)據(jù)庫和建立模型讓語音系統(tǒng)自我學習(如果遇到方言，需要建立獨立的一套系統(tǒng))
解碼：用訓練好的模型組合起來就可以通過判斷新的語音向量，來識別語音了。
反饋：將分析結果通過設備播放出來。
看似很簡單的一個過程，其實每一個環(huán)節(jié)都有很多難點，有很多不可控的因素存在。一方面是復雜條件下，識別率顯著下降，比如地方方言、背景噪音，還有說話語速的差異，都是不具規(guī)律性的;另一方面是語音的訓練和測試用數(shù)據(jù)的并非完全匹配，如果用人民廣播電臺的語音來訓練數(shù)據(jù)庫，那實際操作中哪有這么多廣播員呢?
這些都還只是皮毛，最重要的是人工智能對于語意的理解才是巨大的困難。就算作為人類，在沒有前后文的情況下，突然扔給你一段話，你也不見得能理解它的意思。而人工智能就更是一臉懵逼了，不同的麥克風、噪音、口音以及談話內容下，人工智能作出的反應可能都截然不同，本質上它還不具備意識，對人類的語言缺乏足夠的認知。
語音交互在電視上的實際操作過程中，還會遇到這樣一個窘境：反應速度問題。試想一下如果對電視提出一個問題，哪怕回答的結果是準確的，但是等待時間卻長達兩三秒的話，你還有欲望繼續(xù)對它說話嗎?
綜上所述，無論是語音識別算法的亟待革命、語音工程上或缺的奇跡，或者是硬件性能上的各種限制，智能語音發(fā)展到今天遠遠還談不上輕車熟路。只不過正好它遇上了這個時代，能夠忽略它的不成熟，容忍它的成長過程。因為它已經發(fā)展的足夠快了。
除了足夠智能，還需要什么？
如今的智能語音并非完美，但是在電視這個平臺上，真的需要需要那么智能嗎?
電視的用途主要是什么?搜索-點播-播控，無非就這是三點，深度整合一下在線和離線時的語音識別工具包，并及時更新，就能夠基本滿足用戶對此的需求。
但是如果把電視當做的人工智能控制中心，那電視就將會高頻率的用起來。那對智能語音的要求就要高很多了。但是有一點作為智能電視的本質屬性，是永遠不會改變的。那就是給用戶提供足夠多的內容和服務。
如果電視沒有足夠多的模塊和功能，沒有足夠多的內容和服務，用戶使用語言的動機就會缺失。如果沒能打通所有家電智能平臺，沒有統(tǒng)一控制協(xié)議，那用戶使用智能語音就會處處受限。
真正要讓用戶把智能語音功能使用起來，優(yōu)秀的語音識別技術，僅僅是其中很小的一部分，在家庭場景下的解決用戶實際問題的服務，才是根本。像很多廠商在電視上加入的人臉識別、兒童教育，配合智能語音，才能發(fā)揮語音技術在這一場景下的價值。
總結：人工智能只有在不斷交互的情形下，它才有使用的意義和進步的空間。所以在智能交互不斷更迭的物聯(lián)網時代，智能語音技術來得恰是時機。很多人把它看做是下一波風口，也并非無稽之談。只不過，一切科技的價值都是圍繞人性服務而產生，如何用智能語音連接所有家庭環(huán)境下人性的需求，才是技術研發(fā)的同時，品牌制造商們迫切需要思考的問題。
