百度AI針對羅技桌面級的場景進行了單獨的優(yōu)化和適配,，以軟硬一體的方式幫助羅技打造真正的殺手級產(chǎn)品,。

撰文 /   Alter

編輯 /    胖爺

羅技和百度AI這對跨界組合，正在重新定義語音輸入,。

4月13日,，全球著名云周邊設(shè)備供應商羅技推出了一款“語音鼠標”,，在百度AI的優(yōu)先賦能下，用戶點擊鼠標上的語音鍵就能進行語音輸入,，不僅在PC端實現(xiàn)了中英文自由夾雜語音輸入,，還可以實時進行多種語言的語音翻譯。

其實類似的概念并非是羅技首創(chuàng),。早在兩年多前就出現(xiàn)了主打“語音輸入”的鍵鼠類產(chǎn)品,，諸如“智能鼠標”的概念也被多家品牌借用，但無一成為現(xiàn)象級的爆款產(chǎn)品,，PC端語音輸入的用戶習慣也無從談起,。

百度AI為何要在這個時候進行跨界，并選擇牽手羅技這樣的市場領(lǐng)導者,，背后到底隱藏了什么樣的野心,？

01

知易行難的語音輸入

人類對語音輸入似乎有著天生的執(zhí)念。

早在2000年前后,，個人電腦還屬于少數(shù)人的玩物,，IBM推出的軟件工具ViaVoice就開始風靡全球。按照IBM的設(shè)想,，ViaVoice將在人與機器之間擔當“翻譯”,，只要一句話就能編排文本格式、控制桌面,、操作程序,、發(fā)送Email……

雖然IBM解放雙手的革命未能如愿，卻為整整一代人種下了“動口不動手”的交互理念,。比如在2018年的時候,，羅永浩推出了宣稱是“下一代個人電腦”的TNT，試圖將IBM講述的“美麗童話”從傳說變成現(xiàn)實,。遺憾的是,，老羅的TNT乃至后面推出的“智能鼠標”，都和ViaVoice一樣成了被懷舊的對象,。

為何語音輸入一度成了懸而未決的世紀難題,？可以找到三個直接相關(guān)的痛點。

一是連續(xù)語音輸入的“尷尬”,。

語音輸入并非沒有落地的場景,，和智能音箱的語音交互、聊天時的語音識別等等,，可以說是屢見不鮮的場景,，然而切換到辦公時長篇幅的連續(xù)輸入，現(xiàn)有的語音識別模型常常出現(xiàn)“宕機”的問題。

時間追溯2015年,，注意力模型已經(jīng)是語音識別的主流技術(shù),，在語音識別的準確率方面有了突破性的進展，但注意力模型大多是基于整句的建模,，通過機器學習選擇和當前建模單元最匹配的特征,，導致句子越長識別難度就越大，出錯的概率也就越高,，同時還伴隨著較長的用戶等待時間,。

二是遠場語音識別的不足。

網(wǎng)上流傳著使用TNT工作站的段子：想要在辦公室里用語音操作TNT,，先要提前喊一聲“安靜”,，讓周邊的同事自動進入到消聲狀態(tài)，不然TNT可能不知道是誰在說話,，語音識別的準確率讓人堪憂,。

背后牽涉到的是遠場語音識別技術(shù)，如果目標生源距離拾音器比較遠,，將導致目標信號衰減嚴重,，加上嘈雜的外部環(huán)境制造了太多的干擾信號，最終導致信噪比較低,、語音識別性能比較差,。我們已經(jīng)習慣在手機上對著麥克風說話，但不可能以趴在電腦上的姿勢對著屏幕進行語音輸入,。

三是語言混合輸入的難題,。

即使不考慮長句子連續(xù)輸入和遠場識別的問題，日益進化的語言習慣也一度制約語音輸入的普及,。就像很多人在工作中常常出現(xiàn)中英詞匯混用的情況,，或者有時候飚一句方言，都可能難倒識別工具,。

盡管一些語音識別工具推出了多種語言的識別模型,，可在過去很長一段時間里,，需要用戶先手動切換至想要識別的語言,，比如你想要用四川話進行語音輸入，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,。不僅進一步增加了用戶的學習成本，體驗也不盡如人意,。

在種種待解痛點的制約下,，語音輸入的想象固然美好，但前提是進行一場技術(shù)上的長征,?？梢宰糇C的是,，微軟剛剛以197億美元的價格收購了Siri背后的語音技術(shù)玩家Nuance，計劃將Nuance的語音識別技術(shù)和旗下其他產(chǎn)品整合,，以接棒在技術(shù)和場景上落后而被迫默默退場的Cortana,。

02

百度AI的三步走戰(zhàn)略

而在語音技術(shù)的賽道上，百度已經(jīng)奔跑了十年,。

2010年百度正式成立了語音團隊,，主要研發(fā)百度語音識別、語音合成等在內(nèi)的一系列核心技術(shù),，并逐步將百度的語音技術(shù)應用于小度智能音箱,、百度輸入法、小度車載助手,、百度智能語音呼叫中心等產(chǎn)品,。

不過在PC端語音輸入的話題上，百度AI在很長時間里并未追逐“智能硬件”的風口,，默默制定了語音技術(shù)的三步走戰(zhàn)略：

第一階段,，語音識別算法的持續(xù)打磨。

為了解決連續(xù)語音輸入的痛點,，百度AI的工程師們在注意力模型的基礎(chǔ)上,，創(chuàng)新性地提出了流式多級截斷注意力模型SMLTA，利用CTC算法對連續(xù)語音流進行截斷,，然后對每一個小段的語音進行建模,，把原來整句的建模，變成了局部語音小段的建模,。這樣用戶話音一落就可以拿到識別結(jié)果,，保證了最佳的用戶體驗。

同時百度AI還針對語言混合輸入進行了算法優(yōu)化,，羅技推出的“語音鼠標”VOICE M380就支持8種語言的語音翻譯,，首次通過羅技鼠標在PC上實現(xiàn)了中英文自由夾雜語音輸入，以及粵語,、四川話,、東北話、河南話等7種方言免切換混合輸入,。

第二階段,，一體化的端到端建模技術(shù)。

市場上常見的遠場語音識別技術(shù),，往往將麥克風陣列作為拾音器,，然后利用多通道語音信號處理技術(shù)增強目標信號。這種先語音增強后語音識別的思路，在一定程度上提高了識別的準確率,，但增強目標和優(yōu)化目標可能并不一致,。

百度AI的思路是“語音增強和語音聲學建模一體化”的端到端建模，并提出了基于復數(shù)CNN的遠場端到端建模方案,，利用復數(shù)CNN 網(wǎng)絡(luò)挖掘生理信號本質(zhì)特征的特點,，直接對原始的多通道語音信號進行多尺度多層次的信息抽取，避免了由于定位出錯而導致識別準確率急劇下降的問題,，最終遠場語音識別的錯誤率降低了30%以上,。

第三階段，自研芯片加速產(chǎn)業(yè)化落地,。

語音輸入的隱形制約還有算力和功耗,。在語音技術(shù)從云端競爭向芯片端延伸的趨勢下，算力直接關(guān)系著用戶體驗,，但傳統(tǒng)芯片的平均功耗在1W以上,，算力和功耗的兩難，進一步制約了語音輸入的應用場景,。

在提出端到端的一體化方案后,，百度AI將目光瞄向了芯片端。在2019年發(fā)布了首款針對遠場語音交互研發(fā)的鴻鵠芯片,，通過端到端的軟硬一體化框架,，將所有語音交互任務(wù)集中到一顆低功耗語音交互芯片上，提取的語音特征直接在云端進行高精準識別,。目前鴻鵠芯片的平均功耗只有100mw,，完全滿足3C產(chǎn)品0.5W的待機標準。

和智能語音同時進化的,，還有百度AI的機器翻譯,，過去十年中在大規(guī)模產(chǎn)業(yè)化機器翻譯模型、海量翻譯知識獲取,、多語言翻譯統(tǒng)一框架,、機器同聲傳譯等方面進行了系統(tǒng)而深入的研究。特別是基于神經(jīng)網(wǎng)絡(luò)的多語言翻譯統(tǒng)一框架,，在全世界范圍內(nèi)首次實現(xiàn)了203種語言的互譯,。

百度AI圍繞智能語音和機器翻譯的戰(zhàn)略布局佐證了這樣一個事實：技術(shù)賽道并非是閉門造車，百度AI對羅技的優(yōu)先賦能,，正是精準把握產(chǎn)業(yè)化需求的體現(xiàn),。

03

產(chǎn)業(yè)化的大航海時代

消除了用戶體驗上的痛點，百度AI開啟了語音技術(shù)的產(chǎn)業(yè)化進程,。

百度AI和羅技跨界推出主打語音技術(shù)的“鼠標”，不失為一次有示范效應的練兵。正如前面所提到的,，從IBM的ViaVoice開始算起,，語音輸入在PC上的應用已經(jīng)持續(xù)了20多年，期間誕生了形形色色的軟硬件產(chǎn)品,，但未能改變“鍵鼠”的市場地位,，大多數(shù)新奇的產(chǎn)品最終被人們選擇性遺忘。

百度AI和羅技則為語音輸入開啟新的篇章,。

一方面,，目前百度AI的中文語音識別率已經(jīng)達到98.6%，背后是人機交互效率的再次刷新,。比如大多數(shù)打字員每分鐘輸入的字數(shù)在80到200之間,，而百度AI的語音輸入在實驗室環(huán)境中可以達到每分鐘400字，何況語音輸入的門檻相對更低,，小孩子,、老人、視覺障礙人群等特殊人群也可以使用,，人機交互的成本和效率都在被拉平,。

另一方面，百度AI和羅技的跨界為語音輸入找到了新的應用場景：除了單純的文字輸入場景外,，還可以用于會議,、演講、采訪等場景下的文字記錄,；語音翻譯功能緊緊貼合了當前辦公場景中,，和外國同事、客戶等跨語言溝通交流的需求……相較于20多年前替代鍵盤的單一訴求,，語音輸入的價值正越來越多元,，應用場景也越來越廣泛。

進一步深挖的話,，百度AI和羅技的跨界不僅為語音輸入的“夢想”畫了一個句號,，正式推出的“語音輸入服務(wù)”，也為智能語音的產(chǎn)業(yè)化提供了新的思路,。

語音技術(shù)之所以被頻頻聚焦,，原因在于語音正在逐步改變固有的人機交互習慣，并且已經(jīng)在家庭,、車載等場景中被驗證,。正如鼠標、觸摸屏等曾經(jīng)引發(fā)的浪潮,，語音交互大概率將催生出新的生態(tài),，而那些無法適應新趨勢及時迭代進化的產(chǎn)品,，不排除一步步被市場所淘汰的可能。

于是“+AI”漸漸成了行業(yè)的熱門話題,，幾乎所有的行業(yè)都在思考利用AI降本增效或轉(zhuǎn)型升級,。百度代表的人工智能領(lǐng)頭羊也逐漸意識到：人工智能的使命不是顛覆或重構(gòu)一個行業(yè)，而是幫助行業(yè)找尋新的增長動能,。

對應的動作就是百度大腦在6.0時的升級,，作為百度AI多年技術(shù)積累和產(chǎn)業(yè)實踐的集大成，百度大腦被定義為中國智能經(jīng)濟的基座,，試圖通過軟硬一體的能力輸出,，避免合作伙伴們一次次重復造輪子。其中語音能力恰是百度大腦的核心優(yōu)勢之一,，每天的調(diào)用量早已超過155億次,。

百度AI對羅技軟硬一體的優(yōu)先賦能，和百度大腦加速產(chǎn)業(yè)智能化升級的戰(zhàn)略不無關(guān)系,。不同于行業(yè)中常見的兜售算法形式的合作,，百度AI針對羅技桌面級的場景進行了單獨的優(yōu)化和適配，并選擇以軟硬一體的方式幫助羅技打造真正的殺手級產(chǎn)品,，在產(chǎn)品力和用戶體驗上形成獨一無二的技術(shù)壁壘,。

而當羅技這樣的行業(yè)領(lǐng)導者主動擁抱百度AI，也在某種程度上預示著智能語音的產(chǎn)業(yè)化開始進入大航海時代,。

04

寫在最后

百度AI x 羅技的范式,，為智能語音的落地撕開了一道口子。

可以預見的是,，鼠標絕不會是二者跨界的唯一產(chǎn)品,，后續(xù)百度AI的智能語音將逐步兼容更多的羅技產(chǎn)品；同時羅技也不會是唯一加入到“+AI”行列的品牌,，語音技術(shù)在各行各業(yè)的應用落地進程正在加速,。

借用一句古話來說：“舊時王謝堂前燕，飛入尋常百姓家”,。在百度AI持續(xù)對外賦能的姿態(tài)下,，我們的生活正逐步被AI改變。