智能音箱是臺面上的狂歡，本質(zhì)還在用戶、數(shù)據(jù)和服務(wù)
自 2014 年 11 月 Amazon 推出收款基于語音交互的智能音箱 Echo 以來，2015 年科大訊飛發(fā)布智 能音箱叮咚，2016 年谷歌發(fā)布智能音箱 Google Home，而進(jìn)入 2017 年以后更是密集，5 月聯(lián)想 發(fā)布智能音箱，Amazon 發(fā)布帶觸屏的 Echo Show，微軟聯(lián)手音頻設(shè)備制造商哈曼〃卡頓合作打 造 Invoke，6 月蘋果發(fā)布 HomePod。同時國內(nèi) BAT 等互聯(lián)網(wǎng)巨頭也紛紛有意入局。
智能音箱本身不是目的，爭奪的是背后的用戶、數(shù)據(jù)以及服務(wù)入口。
1、其實(shí)基于語音交互技術(shù)的 入口產(chǎn)品可以是音箱、電視等家居產(chǎn)品，甚至可以是室內(nèi)可及的智能設(shè)備，之所以選擇音箱作為突 破口，只不過看重這樣一款在初期能承擔(dān)除交互之外其他功能的載體。
2、對于用戶而言，需要的 是能夠?qū)⒈姸喾彪s的應(yīng)用和接口進(jìn)行封裝的工具，不再需要自己主動到每一個具體應(yīng)用上獲取服務(wù)， 而是借助語音交互統(tǒng)一的入口提供。
3、對于巨頭公司而言，目的在于借此獲得移動互聯(lián)網(wǎng)之后一 個能夠獲取用戶數(shù)據(jù)并持續(xù)提供服務(wù)的入口。
單就智能音箱而言，交互體驗(yàn)和連接的服務(wù)是影響用戶選擇的重要因素。
1、拋開智能音箱的設(shè)定， 其本質(zhì)是一款基于語音進(jìn)行人機(jī)交互的智能硬件，在算法層面涉及到降噪、遠(yuǎn)場識別、喚醒與打斷 以及多輪會話、語義分析等自然語言理解技術(shù)，硬件層面主要涉及到進(jìn)行聲音采集的麥克風(fēng)陣列技 術(shù)以及聲音播放時揚(yáng)聲器處理。軟硬件的協(xié)同配合方能使得人機(jī)交互更為自然。
2、如果說播放音 樂是傳統(tǒng)音箱的主要功能，那么對于智能音箱而言，這已經(jīng)幾乎成為附帶選項(xiàng)，互相之間拼的不是、 或者說不只是音質(zhì)問題，更多是人機(jī)交互的體驗(yàn)，以及交互背后所能支撐和兼容的服務(wù)數(shù)量與質(zhì)量。
無論是對接線上的互聯(lián)網(wǎng)服務(wù)，還是線下智能家居系列產(chǎn)品，若無法形成產(chǎn)品、應(yīng)用以及數(shù)據(jù)的生 態(tài)閉環(huán)，則智能音箱的入口目標(biāo)就難以達(dá)成。
國內(nèi)智能音箱的慘淡銷量還與消費(fèi)習(xí)慣相關(guān)，用戶培育需要時間。
1、與 Amazon Echo 千萬量級 銷量相比，國內(nèi)科大訊飛與京東聯(lián)合發(fā)布的叮咚音箱銷量似乎遜色不止一籌。除了在技術(shù)和應(yīng)用層 面可能存在的差異之外，各自根植的土壤環(huán)境也有著先天的差異。
2、若去掉“智能”的概念，智 能音箱首先是個音箱，與歐美超過 85%的家庭音箱普及率相比，國內(nèi)甚至不足 20%，在對音樂以 及音箱設(shè)備的需求觀念上的差異導(dǎo)致音箱對歐美人群或許是“生活剛需”，而對國內(nèi)用戶或許目前 還只是少部分人的愛好。
3、正如前文所述，音箱只是恰好成為載體之一，最核心的依然是物聯(lián)網(wǎng) 時代智能終端的人機(jī)交互入口。
信息獲取與表達(dá)決定語音交互成為階段性不可或缺的一環(huán)
互聯(lián)網(wǎng) PC 時代人機(jī)交互主要依賴鼠標(biāo)和鍵盤，移動互聯(lián)網(wǎng)時代觸摸屏交互成為標(biāo)配，那么人工智 能時代的交互會由哪種方式主宰?基于語音控制的智能音箱還是智能電視?這些或許有可能成為 智能家居入口，但即便 Amazon Echo 已然達(dá)到千萬級銷量及超過 1 萬項(xiàng)技能點(diǎn)，似乎也不足以成 為人工智能時代交互入口的產(chǎn)品擔(dān)當(dāng)。
語音或許是人機(jī)交互的階段性成果，基于語音的人機(jī)交互或許會成為某個特定場景的入口，但語音 與肢體動作的融合或許更可能擔(dān)當(dāng)?shù)闷鹨粋€時代的交互入口，至于更為遙遠(yuǎn)的未來，或許會有類似 腦電波等其他方式。
智能語音相關(guān)技術(shù)及發(fā)展歷史
智能語音主要研究人機(jī)之間語音信息的處理和反饋問題，從表現(xiàn)形式來看，即研究如何通過語音實(shí) 現(xiàn)人機(jī)交互，相關(guān)支撐技術(shù)主要可劃分為基礎(chǔ)語音技術(shù)、智能化技術(shù)以及大數(shù)據(jù)技術(shù)。
語音識別準(zhǔn)確率在引入深度學(xué)習(xí)之后得到快速提升。語音目標(biāo)在于使機(jī)器最終能夠?qū)⒆R別語音中的 內(nèi)容、說話人、語種等信息。在技術(shù)思路經(jīng)歷了基于標(biāo)準(zhǔn)模板匹配和基于統(tǒng)計(jì)模型(HMM)兩個階 段;2010 年開始由微軟的俞棟、鄧力等與 Hinton 合作，在語音識別領(lǐng)域引入深度學(xué)習(xí)替換傳統(tǒng)的 特征提取，隨著深度學(xué)習(xí)的引入以及在此基礎(chǔ)上派生的各類模型的組合，語音識別準(zhǔn)確率大幅提升。
2017 年 3 月 IBM 通過長短時記憶、WaveNet 語言模型和三個強(qiáng)聲學(xué)模型的組合，在 Switchboard數(shù)據(jù)集上電話語音識別錯誤率降低到 5.5%，無論是對比微軟 2016 年測試結(jié)果給出的人類速記員5.9%錯誤率還是此次 IBM 給出的人類 5.1%，機(jī)器都已經(jīng)極為接近人類水平。
語音合成已有 200 多年悠久歷史，表現(xiàn)力尚有待繼續(xù)提升。在計(jì)算機(jī)技術(shù)出現(xiàn)之前主要模仿人體 發(fā)聲原理制作相應(yīng)硬件，計(jì)算機(jī)技術(shù)出現(xiàn)后音質(zhì)、音色和自然度都有提升。隨著技術(shù)演進(jìn)，語音合 成的復(fù)雜度、自然度和音質(zhì)都已取得不錯的成績，目前研究重點(diǎn)在于提高合成音的表現(xiàn)力，如語氣 和情感等。
智能語音產(chǎn)業(yè)發(fā)展現(xiàn)狀
市場規(guī)?？焖贁U(kuò)大，且國內(nèi)增速顯著超過全球
在移動互聯(lián)網(wǎng)、大數(shù)據(jù)、云計(jì)算、深度學(xué)習(xí)等技術(shù)的發(fā)展推動下，智能語音技術(shù)漸趨成熟，行業(yè)發(fā) 展進(jìn)入場景應(yīng)用布局階段。移動互聯(lián)網(wǎng)、智能家居、汽車、醫(yī)療、教育等領(lǐng)域的應(yīng)用帶動智能語音 產(chǎn)業(yè)規(guī)模持續(xù)快速增長。2015 年全球智能語音市場規(guī)模達(dá) 62.1 億美元，同比增長 34.2%。中國智 能語音產(chǎn)業(yè)市場規(guī)模也逐步擴(kuò)大，2015 年 40.3 億元產(chǎn)業(yè)規(guī)模約占全球市場份額 10%，且增速顯 著高于全球市場，預(yù)計(jì)至 2017 年份額占比將提升到 14%。
各要素齊發(fā)力，推動智能語音形成完整產(chǎn)業(yè)鏈借用我們前序報告中提出的人工智能商業(yè)化應(yīng)用“人機(jī)料法環(huán)”模型，智能語音產(chǎn)業(yè)在人才儲備、計(jì)算設(shè)施、數(shù)據(jù)積累、技術(shù)算法以及應(yīng)用場景等五要素共同推動下已形成較為完整的產(chǎn)業(yè)鏈。
從產(chǎn)業(yè)鏈角度，智能語音行業(yè)可分為四個部分。1、基礎(chǔ)研究機(jī)構(gòu):語音合成、語音識別、聲紋識 別等基礎(chǔ)技術(shù)的研發(fā)和技術(shù)輸出;2、語音語義數(shù)據(jù)提供商:為算法研究或技術(shù)輸出機(jī)構(gòu)提供語音、 語義數(shù)據(jù)庫以及定制化的數(shù)據(jù)采集和處理;3、語音技術(shù)提供商:將基礎(chǔ)技術(shù)轉(zhuǎn)換為軟件或行業(yè)整 體解決方案，提供嵌入式或平臺式的語音軟件服務(wù)、行業(yè)智能語音系統(tǒng)整體解決方案;4、智能語 音應(yīng)用提供商:智能移動設(shè)備、智能車載系統(tǒng)、智能家居等智能終端廠商，以及輸入法、娛樂等各 類 APP 或軟件客戶端等，從產(chǎn)品屬性來看主要包括消費(fèi)級產(chǎn)品和專業(yè)級行業(yè)應(yīng)用。
從產(chǎn)業(yè)鏈角度，智能語音行業(yè)可分為四個部分。
1、基礎(chǔ)研究機(jī)構(gòu):語音合成、語音識別、聲紋識 別等基礎(chǔ)技術(shù)的研發(fā)和技術(shù)輸出;
2、語音語義數(shù)據(jù)提供商:為算法研究或技術(shù)輸出機(jī)構(gòu)提供語音、 語義數(shù)據(jù)庫以及定制化的數(shù)據(jù)采集和處理;
3、語音技術(shù)提供商:將基礎(chǔ)技術(shù)轉(zhuǎn)換為軟件或行業(yè)整 體解決方案，提供嵌入式或平臺式的語音軟件服務(wù)、行業(yè)智能語音系統(tǒng)整體解決方案;
4、智能語 音應(yīng)用提供商:智能移動設(shè)備、智能車載系統(tǒng)、智能家居等智能終端廠商，以及輸入法、娛樂等各 類 APP 或軟件客戶端等，從產(chǎn)品屬性來看主要包括消費(fèi)級產(chǎn)品和專業(yè)級行業(yè)應(yīng)用。
算法紅利逐漸消失，
隨著深度學(xué)習(xí)的引入和發(fā)展，智能語音的算法紅利正逐漸消失。
1、Nuance 自 2005 年與 ScanSoft合并后，成為全球最大的語音技術(shù)廠商，憑借自身先進(jìn)的語音識別、自然語言理解技術(shù)以及優(yōu)秀的 語音解決方案在 2012 年全球語音市場中占據(jù) 62%，加上谷歌、微軟合計(jì)占據(jù)超過 85%。
2、2010年深度學(xué)習(xí)首次引入語音識別，隨后配合計(jì)算能力的提升和海量語音語料數(shù)據(jù)的積累，識別準(zhǔn)確率 得到大幅提升。盡管 2015 年 Nuance 全球市場份額仍居第一，但已大幅下降至 31.6%，而谷歌、 蘋果、微軟及科大訊飛市場份額增長較快，分別達(dá)到 28.4%、15.4%、8.1%和 4.5%。3、科技巨 頭對于深度學(xué)習(xí)算法及機(jī)器學(xué)習(xí)框架的開源使得智能語音技術(shù)的調(diào)用變得更為簡單，模塊化的設(shè)計(jì) 使得應(yīng)用部署與實(shí)施門檻顯著降低。
目前中國智能語音市場被科大訊飛、百度和蘋果占據(jù)絕大多數(shù)市場份額，2015 年三家合計(jì)達(dá) 79%。 其中，科大訊飛市場份額為 44.2%，處于市場領(lǐng)先地位。百度進(jìn)入勢頭強(qiáng)勁，市場份額增長快速， 美國權(quán)威雜志《麻省理工科技評論》公布的 2016 年十大突破技術(shù)，百度硅谷的 Deep Speech2 智 能語音技術(shù)赫然在列。谷歌、微軟、蘋果、百度等互聯(lián)網(wǎng)巨頭在資金、數(shù)據(jù)和 2C 應(yīng)用用戶拓展三 方面優(yōu)勢明顯，各方強(qiáng)勢介入將使得全球智能語音行業(yè)由一家獨(dú)大演變成多方參與競爭的格局。
2010 年開始，互聯(lián)網(wǎng)巨頭紛紛通過自主研發(fā)或者并購/參股的方式深入布局智能語音產(chǎn)業(yè)。在智能 語音上的布局重點(diǎn)圍繞虛擬助手，并且為占據(jù)一定的市場先機(jī)，紛紛開始布局智能車載、智能家具、 智能醫(yī)療、可穿戴設(shè)備等細(xì)分市場。
融合場景、借力硬件提升語音技術(shù)實(shí)用和穩(wěn)定性
由于語音信號的多樣性和復(fù)雜性，在真實(shí)使用場景中，考慮到空間距離、背景噪音、其他人聲干擾、 回聲、方言、口音等問題，準(zhǔn)確率會大打折扣。提高現(xiàn)實(shí)場景中的用戶體驗(yàn)是智能語音技術(shù)完成質(zhì) 的突破的關(guān)鍵，涉及技術(shù)包括遠(yuǎn)場語音識別、喚醒目標(biāo)檢測、全雙工交互、個性化識別技術(shù)等。2016 年 10 月 intel 與科大訊飛宣布合作共同研發(fā) AI 芯片，將麥克風(fēng)陣列、遠(yuǎn)場語音識別等功能集 成到 SOC 當(dāng)中，形成完整的遠(yuǎn)場語音交互鏈條。
智能語音的應(yīng)用前景
巨頭搶灘虛擬語音助手，并逐漸切入場景應(yīng)用
語音交互的特點(diǎn)是簡單、快速、解放雙手和眼睛，在很多場景能夠給用戶帶來巨大的體驗(yàn)優(yōu)化。例 如:1、避免繁瑣操作:手機(jī)眾多 APP 中直接用語音進(jìn)入一個應(yīng)用。2、很小或沒有屏幕:智能 電視中用語音直接打開特定節(jié)目替代操作不便的遙控器、通過智能穿戴設(shè)備訪問互聯(lián)網(wǎng)。3、手眼 無暇顧及:如開車過程、會議記錄。4、發(fā)掘語音數(shù)據(jù)的價值:如利用電子病歷語音數(shù)據(jù)輔助診療。
互聯(lián)網(wǎng)女皇 Mary Meeker 在《2016 年互聯(lián)網(wǎng)趨勢》中指出，語音交互將成為人機(jī)交互的新范式。 而事實(shí)上隨著智能語音技術(shù)的逐漸成熟以及自然語言理解的發(fā)展，語音已經(jīng)成為不同場景下人與智 能設(shè)備之間交互的重要手段。
巨頭紛紛以虛擬語音助手切入智能語音應(yīng)用場景。由于物聯(lián)網(wǎng)涉及太多領(lǐng)域，跨平臺、跨設(shè)備、跨 品牌等諸多因素制約產(chǎn)業(yè)發(fā)展，統(tǒng)一標(biāo)準(zhǔn)是物聯(lián)網(wǎng)行業(yè)發(fā)展的基礎(chǔ)，在此邏輯基礎(chǔ)上谷歌、微軟、 亞馬遜等科技巨頭紛紛以智能虛擬助手作為切入口，打造開放平臺、以開源形式吸引開發(fā)者構(gòu)建應(yīng) 用開發(fā)生態(tài)。
消費(fèi)級產(chǎn)品應(yīng)用場景
消費(fèi)級市場智能虛擬助手的功能是基于語音交互實(shí)現(xiàn)設(shè)備控制、日程管理、信息查詢、生活服務(wù)、 情感陪伴等。一方面可以通過開放平臺接入第三方應(yīng)用和服務(wù)豐富智能虛擬助手的功能，目前手機(jī)
虛擬助手正是通過連接各類 APP 征服終端，另一方面可植入智能硬件終端，向汽車、家居、可穿 戴設(shè)備等產(chǎn)品延伸，建立消費(fèi)級智能語音產(chǎn)品的生態(tài)體系。
智能語音+車載
開車時雙手和雙眼被占用，語音交互成為該場景下最合適的交互方式。智能語音與汽車的結(jié)合主要 為智能車載產(chǎn)品，通過語音完成導(dǎo)航、音樂搜索與播放、信息聽寫等。隨著車聯(lián)網(wǎng)的發(fā)展，未來將 跟社交、娛樂、餐飲等服務(wù)進(jìn)一步結(jié)合，在保證安全的前提下提升駕乘體驗(yàn)。騰訊汽車等相關(guān)調(diào)研 機(jī)構(gòu)的數(shù)據(jù)顯示智能車載系統(tǒng)的迭代更新過程中，語音交互的作用和重要性已經(jīng)越來越得到車主的 認(rèn)可。IMS Research 預(yù)計(jì)到 2019 年全球?qū)⒂?55%的新車搭載智能語音系統(tǒng)。
在智能車載領(lǐng)域，Nuance、蘋果、谷歌、科大訊飛、百度等語音識別巨頭分別推出 Dragon Drive車載語音開發(fā)平臺、CarPlay、AndroidAuto、汽車語點(diǎn)系統(tǒng)、CarLife 等智能車載系統(tǒng)，并紛紛與 汽車廠商達(dá)成合作，搶占智能車載新興市場。
智能語音+家居
智能家居產(chǎn)業(yè)處于快速發(fā)展期，語音控制逐漸成為常見技能點(diǎn)。1、智能語音可以跟電視、音響、 空調(diào)、窗簾、燈具、玩具等各種家用設(shè)備和智能家居控制中樞系統(tǒng)相結(jié)合，通過語音交互實(shí)現(xiàn)一個 入口控制全部功能。2、大數(shù)據(jù)及人工智能技術(shù)的推動、關(guān)鍵技術(shù)與部件成本的下降以及產(chǎn)業(yè)聯(lián)盟 標(biāo)準(zhǔn)化協(xié)議的建立帶來智能家居市場規(guī)模的快速增長。3、Statista 研究數(shù)據(jù)顯示，2016 年全球 智能家居市場規(guī)模已經(jīng)達(dá)到 168 億美元，其中中國市場占 7 %，預(yù)計(jì)到 2021 年全球智能家居市場 規(guī)模將達(dá)到 793 億美元，中國市場份額上升至 17%。
國外互聯(lián)網(wǎng)巨頭紛紛以智能家居產(chǎn)品與智能語音相結(jié)合的方式進(jìn)入智能家居領(lǐng)域。蘋果于 2014 年 推出 HomeKit 智能家居平臺，并與 Siri 不斷加強(qiáng)融合。亞馬遜 2014 年推出的搭載 Alexa 的 Echo智能音箱，通過語音可以實(shí)現(xiàn)播放音樂、新聞、網(wǎng)購下單、Uber 叫車、定外賣等任務(wù)，根據(jù) CIRP、RBC Capital Market 等公司的估計(jì)，自 2014 年發(fā)售以來，Echo 系列產(chǎn)品(Echo、Amazon Tap、Amazon Dot)累計(jì)銷售量接近一千萬臺，銷售額達(dá)到 8-10 億美元。2016 年谷歌推出 Google Home智能音箱，搭載 Google Assistant 虛擬助手，積極強(qiáng)化 Google Assistant 在智能家居領(lǐng)域的布局。 從互聯(lián)網(wǎng)巨頭的布局可以看出智能語音與智能家居的融合是大勢所趨。
數(shù)據(jù)來源:statista，東方證券研究所
國外互聯(lián)網(wǎng)巨頭紛紛以智能家居產(chǎn)品與智能語音相結(jié)合的方式進(jìn)入智能家居領(lǐng)域。蘋果于 2014 年 推出 HomeKit 智能家居平臺，并與 Siri 不斷加強(qiáng)融合。亞馬遜 2014 年推出的搭載 Alexa 的 Echo智能音箱，通過語音可以實(shí)現(xiàn)播放音樂、新聞、網(wǎng)購下單、Uber 叫車、定外賣等任務(wù)，根據(jù) CIRP、RBC Capital Market 等公司的估計(jì)，自 2014 年發(fā)售以來，Echo 系列產(chǎn)品(Echo、Amazon Tap、Amazon Dot)累計(jì)銷售量接近一千萬臺，銷售額達(dá)到 8-10 億美元。2016 年谷歌推出 Google Home智能音箱，搭載 Google Assistant 虛擬助手，積極強(qiáng)化 Google Assistant 在智能家居領(lǐng)域的布局。 從互聯(lián)網(wǎng)巨頭的布局可以看出智能語音與智能家居的融合是大勢所趨。
智能語音+可穿戴設(shè)備
可穿戴設(shè)備受硬件形態(tài)的約束，語音交互方式相比觸摸交互方式具有顯著優(yōu)勢。智能語音技術(shù)的引 入可將設(shè)備從智能手機(jī)上解放出來，創(chuàng)造獨(dú)立體驗(yàn)。例如出門問問 Ticwear 內(nèi)臵貼片式 SIM 芯片 與 3G 通訊模塊，擁有獨(dú)立通訊號碼并可實(shí)現(xiàn)實(shí)時在線，支持包括語音撥號、短信、拍照，微信語 音回復(fù)，語音搜索等功能在內(nèi)的全中文語音交互。
專業(yè)級行業(yè)應(yīng)用場景
專業(yè)級市場虛擬助手適用于多種應(yīng)用場景，從實(shí)現(xiàn)功能來看主要形式有語音識別轉(zhuǎn)寫以及語音、語 義內(nèi)容的分析，以醫(yī)療、教育和客服三個領(lǐng)域?yàn)槔?，語音技術(shù)與場景的深度融合將為技術(shù)壁壘構(gòu)建 應(yīng)用端的護(hù)城河。
智能語音+醫(yī)療
智能語音在醫(yī)療行業(yè)的應(yīng)用主要有三種:1、語音導(dǎo)診機(jī)器人;2、電子病歷語音錄入與轉(zhuǎn)寫、臨 床報告語音錄入與轉(zhuǎn)寫。語音錄入大大提高醫(yī)生工作效率和工作質(zhì)量;患者能夠通過語音電子病歷 系統(tǒng)下載打印，能夠擁有完整、清晰易懂的病歷;醫(yī)院可以科學(xué)管理診療過程和診療信息。3、隨 著語音病歷的積累，利用大數(shù)據(jù)技術(shù)和深度學(xué)習(xí)技術(shù)能夠挖掘醫(yī)學(xué)案例語音資料的價值，實(shí)現(xiàn)智能 輔助診療。
智能語音+教育
智能語音在教育上的應(yīng)用主要圍繞教育體系下“學(xué)、練、測、評”等核心需求，主要產(chǎn)品有智能語 音訓(xùn)練與評測、互動教學(xué)等。作為國內(nèi)智能語音在教育方面的應(yīng)用先行者，科大訊飛已經(jīng)將智能語 音技術(shù)應(yīng)用在口語訓(xùn)練與考試、互動教學(xué)以及兒童早教智能硬件等產(chǎn)品，而基于語音基礎(chǔ)上拓展開 的語義分析技術(shù)則開始逐漸應(yīng)用于主觀題評閱等環(huán)節(jié)。
