文｜Alter

從機(jī)械鍵盤被發(fā)明開始，人們對于輸入法就有著特殊的感情,，一面對“鍵盤”有太多的不舍,，即便全觸屏的智能手機(jī)早已普及，輸入時依舊要依賴于“虛擬鍵盤”,；一面又急于尋找更為高效的輸入方案,，比如篤定語音交互將成為主流的人機(jī)交互方式。

1月16日的百度輸入法發(fā)布會上,，百度輸入法AI探索版正式亮相,，不僅將全語音輸入作為默認(rèn)輸入方式，并開啟了調(diào)動表情,、肢體的全感官輸入2.0時代,。曾經(jīng)困擾人們多年的鍵盤輸入糾結(jié)癥，終于有了新答案,。

輸入法AI化,，先來解決三個痛點(diǎn)

智能手機(jī)的誕生已經(jīng)有了十多個年頭，可為何語音輸入取代鍵盤的一幕直到2019年才開始出現(xiàn),？要回答這個問題,，先要看語音輸入面臨的三個痛點(diǎn)：

1、準(zhǔn)確率能否再高一點(diǎn),？

早在幾年前,，百度、科大訊飛等相繼宣布語音識別準(zhǔn)確率高達(dá)97%,，并不懷疑數(shù)字的真實(shí)性,，Attention模型已經(jīng)較為成熟，各家也在實(shí)驗(yàn)室里進(jìn)行了大量的機(jī)器學(xué)習(xí)，但在實(shí)際應(yīng)用中卻存在兩個用戶體驗(yàn)上的“盲點(diǎn)”,。

一個是流式解碼的問題,。諸如谷歌LAS等傳統(tǒng)Attention模型，大多是基于整句的建模,，客觀上需要整句語音上傳到服務(wù)器后,，才開始聲學(xué)打分計(jì)算和解碼，勢必會產(chǎn)生較長的用戶等待時間,。

另一個是長句建模的精度下降。Attention模型的核心思想是基于整句的全局信息,，通過機(jī)器學(xué)習(xí)選擇和當(dāng)前建模單元最匹配的特征,，于是句子越長，識別難度就越大,，出錯的概率越高,，錯誤前后傳導(dǎo)的概率也越高。

為了解決這些“盲點(diǎn)”,，百度創(chuàng)新性地提出了流式多級截?cái)嘧⒁饬δＰ蚐MLTA,，先使用CTC算法對連續(xù)語音流進(jìn)行截?cái)啵缓髮γ恳粋€階段的語音進(jìn)行建模,，把原來整句的建模,，變成了局部語音小段的Attention建模，同時引入多級Attention機(jī)制避免CTC的插入刪除錯誤對系統(tǒng)的影響,，最終在識別精度上提升了15%,，并在保持計(jì)算量、解碼速度等方面和傳統(tǒng)CTC模型持平,。

2,、離線狀態(tài)下該怎么玩？

作為一款基礎(chǔ)工具,，輸入法要應(yīng)對各種場景,，比如在地鐵、電梯等信號弱,，或者人流密集的環(huán)境下,，傳統(tǒng)的“虛擬鍵盤”似乎不會有太多影響，全語音輸入?yún)s要回答另一個疑問：如何在離線狀態(tài)下保證語音識別效率,？

為了解決用戶的多元輸入場景需求,，百度輸入法持續(xù)優(yōu)化了Deep Peak 2系統(tǒng)，除了SMLTA上的創(chuàng)新,，還大幅提升了離線語音的識別準(zhǔn)確率,，相較于行業(yè)平均水平提升了35%，不斷縮小離線識別和在線識別在準(zhǔn)確率上的差距。

百度語音技術(shù)總監(jiān)高亮在發(fā)布會上進(jìn)行了一場離線PK,，參賽選手分別是百度輸入法AI探索版,、訊飛輸入法和搜狗輸入法，結(jié)果顯示百度輸入法的識別準(zhǔn)確率和識別速度要明顯高于另外兩家友商的產(chǎn)品,?；蛟S離線識別還不夠完美，至少百度輸入法已經(jīng)可以滿足離線場景先的精準(zhǔn)輸入,。

3,、語言混合輸入如何解？

語言在不斷進(jìn)化,，年輕人群尤為如此,，明明在說漢語，卻夾雜著各種英文詞匯,，有時還會蹦出兩個日語或韓語單詞,；有時候前一句是普通話，下一句可能冒出一句家鄉(xiāng)話……輸入法的使命儼然是順應(yīng)潮流,，那么也就必須解決漢語和外語,、方言與方言、方言和普通話來回切換等特殊場景,。

常見的解決方案是“手動切換”,，比如你想要用四川話進(jìn)行語音輸入，先要到輸入法的設(shè)置中將語言設(shè)定為四川話,，說普通話的時候再去切換回來,。如此不僅未能解決語言混輸?shù)膯栴}，還進(jìn)一步增加了用戶的學(xué)習(xí)成本,，體驗(yàn)自然不盡如人意,。

百度輸入法的優(yōu)勢在于，不局限在國內(nèi)市場的布局,，百度海外輸入法已經(jīng)擴(kuò)充到了120門語言,，百度輸入法的語音團(tuán)隊(duì)也在配合市場布局持續(xù)發(fā)力，陸續(xù)上線了日語,、英語,、印地語、西班牙語,、印度英語等語言識別,，為了適應(yīng)一些國家語言混輸?shù)奶攸c(diǎn)，百度輸入法很早就推出本了地語言和英語混輸?shù)墓δ?。有了海外市場的成熟?jīng)驗(yàn),，應(yīng)對國內(nèi)市場的“中英混輸”自然不在話下,。

此外為了解決方言混輸?shù)碾y題，百度輸入法將普通話和六大方言融合成一個語音識別模型,，進(jìn)而實(shí)現(xiàn)了方言與方言,、方言與普通話的混合語音輸入。截止到目前,，百度輸入法還是唯一實(shí)現(xiàn)高精度中英文混合語音輸入,、方言免切換語音輸入的輸入法產(chǎn)品。

為何要先于行業(yè)邁出第一步,，或許會陰謀家給出“炫技”的論調(diào),，但百度語音技術(shù)總監(jiān)高亮的觀點(diǎn)值得借鑒：“我們有一個理念，技術(shù)只有在產(chǎn)品上使用,、讓用戶真正體驗(yàn)到才是真正的技術(shù),，我們絕不會為了技術(shù)而技術(shù)?！碑吘乖谳斎敕ǖ娜∩徇^程中，用戶擺脫雙手的需求早已出現(xiàn),，只是百度的視野會止于此嗎,？

輸入多點(diǎn)AI，百度瞄準(zhǔn)了Z世代

如果僅僅從創(chuàng)新的角度來審視百度輸入法的進(jìn)化,，未免會低估百度的野心,，在將全語音輸入作為默認(rèn)輸入方式的同時，諸如拍立活,、秀場,、表情秀、凌空手寫等新表達(dá)和新探索,，可以說是整場發(fā)布會的另一大焦點(diǎn),。

比如拍立活可以對人及動物的臉部關(guān)鍵點(diǎn)進(jìn)行識別，利用貼圖及骨骼蒙皮技術(shù)還原出角色的3D模型,，然后利用自研的面部行為編碼系統(tǒng)驅(qū)動角色做出豐富的表情,，還可以隨意疊加各種AR表情素材，讓表情的制作更加簡單,、有趣,。

再比如凌空手寫功能，開創(chuàng)了全新的文字識別技術(shù),，區(qū)別于其他實(shí)驗(yàn)室中的類似概念,，百度輸入法的凌空手寫，不需要特殊的手寫筆,，也不需要深度攝像頭或多目攝像頭等硬件支持,，普通的RGB攝像頭就可以完美支持,。

由此不難看到，技術(shù)范的百度正在以自身擅長的玩法,，向崛起的Z世代拋出橄欖枝,。

先解釋下什么是Z世代，巴克萊銀行在一份報(bào)告中,，將1995年后出生的人群從時間調(diào)度定義為“Z世代”,，并給出了Z世代的典型特征：數(shù)字原住民。并不難理解,，Z世代自出生開始就生活在互聯(lián)網(wǎng)的海洋里,，對于其他年齡層的用戶而言，互聯(lián)網(wǎng)可能還只是生活的一小部分,，在Z世代的眼中無異于生活的全部,。于是相比于其他年齡層的用戶，Z世代往往是新技術(shù),、新科技,、新理念的忠實(shí)擁躉。

在CBNData發(fā)布的《2018互聯(lián)網(wǎng)消費(fèi)生態(tài)大數(shù)據(jù)報(bào)告》中,，給95后貼上了“懶”的標(biāo)簽,，成為外賣等上門服務(wù)的核心消費(fèi)。當(dāng)然也可折射了95后對于效率的追求,，對傳統(tǒng)行為方式的不滿足,，如果只盯著“懶”的一面，注定會誤解新一代消費(fèi)者,，很可能和潛在的商業(yè)前景失之交臂,。

百度輸入法顯然深諳于此，較于傳統(tǒng),、低效的鍵盤,，Z世代對語音輸入有著更強(qiáng)烈的訴求，也是語音輸入撬動鍵盤輸入的重要支點(diǎn),。拍立活,、凌空手寫等近一步印證了百度輸入法打入年輕人群內(nèi)部的野心，想要和年輕用戶溝通對話,，勢必要選擇年輕人樂意接受的方式,，解決了產(chǎn)品“盲點(diǎn)”的語音輸入本就是如此，百度輸入法又加上了更多有趣的籌碼,，打出一套面向年輕用戶的組合拳,。

在巴克萊銀行給出的數(shù)據(jù)中，預(yù)計(jì)到2020年Z世代將成為全球最大的消費(fèi)群體,，或?qū)⒄紦?jù)美國,、歐洲和金磚四國消費(fèi)市場的40%份額,。隱約可以看到，百度輸入法之所以推崇全語音輸入,，并向Z世代拋出橄欖枝,，絕非是無意之舉。

尾記

創(chuàng)新的車輪從未停滯,，古老而又活力四射的輸入法早已成為用戶行為的風(fēng)向標(biāo),，如同80后們大多已經(jīng)忘了70后“必修”的五筆，90后對九宮格輸入法的青睞又被00后們嫌棄……可以預(yù)見,，當(dāng)Z世代以及更年輕的世代崛起后,，傳統(tǒng)的輸入法難逃被淘汰的命運(yùn)，取而代之的將是語音,、表情,、肢體等“AI輸入”。