在即將到來的物聯(lián)網(wǎng)時代，人工智能會是流量入口，那么語音交互就成了極具競爭力的交互方式。

近幾年，“人工智能”已經(jīng)成為互聯(lián)網(wǎng)圈里面出現(xiàn)頻次最高的一個詞匯，隨著技術(shù)的的進步和社會的發(fā)展，物聯(lián)網(wǎng)時代已經(jīng)成為繼移動互聯(lián)時代之后的下一個浪潮。在PC時代，瀏覽器是流量入口，人類通過鍵盤和鼠標(biāo)和信息進行交互；在移動互聯(lián)網(wǎng)時代，以App Store為代表的移動應(yīng)用商店成為了流量入口，人類通過觸摸屏上的GUI來操縱App和信息進行交互；在即將到來的物聯(lián)網(wǎng)時代，人工智能會是流量入口，那么語音交互就成了極具競爭力的交互方式。

目前，在語音交互相關(guān)的領(lǐng)域已經(jīng)出現(xiàn)了一批玩家和產(chǎn)品，國外的有Google Now、微軟的Cortana（小娜）、Facebook的Message Platform、蘋果的Siri、亞馬遜的Echo、Google Home的智能音箱，國內(nèi)的科大訊飛、百度的智能機器人（度秘）、搜狗語音、微信的語音功能等，雖然這么多大牌玩家進入語音交互的領(lǐng)域，但由于技術(shù)和社會環(huán)境的限制，語音交互還處在起步階段，相關(guān)的語音交互技術(shù)還無法支持大規(guī)模的應(yīng)用和推廣。

要想讓語音交互流行起來，必須合理解決以下幾點客觀的限制：

1、語音識別技術(shù)還處于起步階段。

語音識別技術(shù)，也被稱為自動語音識別Automatic Speech Recognition，(ASR)，其目標(biāo)是將人類的語音中的詞匯內(nèi)容轉(zhuǎn)換為計算機可讀的輸入，例如按鍵、二進制編碼或者字符序列。語音識別的研究工作可以追溯到20世紀(jì)50年代AT&T貝爾實驗室的Audrey系統(tǒng)，它是第一個可以識別十個英文數(shù)字的語音識別系統(tǒng)。并且一些行業(yè)巨頭也都是在2010年左右才開始加大對語音技術(shù)的投入。各大巨頭各自為戰(zhàn)，語音識別領(lǐng)域里面還沒有形成統(tǒng)一的行業(yè)標(biāo)準(zhǔn)和應(yīng)用生態(tài)。

2、使用場景有限。

語音識別技術(shù)對環(huán)境要求苛刻；在識別的準(zhǔn)確率上受較多因素的影響，比如背景噪音、口音、語速、特定領(lǐng)域的專有名詞等都影響準(zhǔn)確率。有一項這樣的測試，有人隨機截取了幾段網(wǎng)絡(luò)課程用主流的云端引擎測試識別準(zhǔn)確度，基本上準(zhǔn)確率在70%左右；然后又截取了一段新聞聯(lián)播的音頻，用同樣的云端引擎做測試，準(zhǔn)確率達(dá)到了95%左右。由這個測試我們可以清楚的看到客觀因素對語音識別準(zhǔn)確率的影響，要知道在這個行業(yè)5%的準(zhǔn)確率就是可以引起行業(yè)變革的。目前的技術(shù)先限制導(dǎo)致語音交互體驗的機器感特別強，缺乏人性化的感知，沒有人喜歡跟呆板的機器一直做交流的。

3、語音交互是非可視化的，非常消耗用戶的注意力，增加記憶負(fù)擔(dān)。

人在與系統(tǒng)做交互的時候，能記住的信息也就10秒左右。舉一個常用的場景，有時候打銀行的客服電話，你必須集中精力聽語音播報，一旦被打斷就又得從頭聽一遍。

4、用戶習(xí)慣還未完全養(yǎng)成。

沒有人愿意對著冰冷的機器說話，然后得到毫無感情的甚至是錯誤的回應(yīng)。用戶對語音交互對象的要求不但是可以聽懂，還應(yīng)該能人性化的給以回應(yīng)，人類更期望通過語音達(dá)到人人交互的感受，而不是人機交互，這也是為什么語音交互的普及很大程度上依賴于人工智能技術(shù)的發(fā)展。

語音交互將成為物聯(lián)網(wǎng)時代最流行也是最普遍的交互方式

但是，這些客觀條件的限制并不能阻擋語音交互成為物聯(lián)網(wǎng)時代最流行也是最普遍的交互方式。

1、語言的本質(zhì)是進行信息的交流。

從人類進化的角度來看，語音是先于文字產(chǎn)生的，我們再來看一個現(xiàn)象，所有的嬰兒都是先學(xué)會了說話，然后才會學(xué)習(xí)寫字。視覺和觸覺的交互都需要硬件在可視范圍之內(nèi)才能完成，而聲音的傳播路徑是球形的360度，可傳播范圍非常廣，而且獲取信息的方式門檻低。

2、語音交互的兩個關(guān)鍵點為語音識別和語義理解。

在語音識別方面，隨著智能終端的普及應(yīng)用，我們已經(jīng)獲取了大量的語音數(shù)據(jù)資料，再加上算法的優(yōu)化，這為計算機的深度學(xué)習(xí)提供了大量的支持。這其實就跟人類學(xué)習(xí)語言是一個道理。首先，你的大腦要有學(xué)習(xí)認(rèn)知的能力（相當(dāng)于算法）；同時，你還要掌握充分的詞匯量，接受足夠的聽力訓(xùn)練（相當(dāng)于語音數(shù)據(jù)），你才能聽懂一門語言（語音識別）。學(xué)習(xí)英語的時候通過大量的聽力練習(xí)強化我們的聽力也是同樣的道理；

語義理解依賴于神經(jīng)網(wǎng)絡(luò)（ANN）的技術(shù)，本質(zhì)上是一個自適應(yīng)非線性動力學(xué)系統(tǒng)，將機器學(xué)習(xí)的方式模擬人類大腦的神經(jīng)元，當(dāng)處理的語言越來越多時，這種網(wǎng)絡(luò)就可以逐漸理解語言，實驗結(jié)果發(fā)現(xiàn)，這種技術(shù)可以使準(zhǔn)確率提升25%以上。

3、任何新技術(shù)都會經(jīng)過起步、發(fā)展、流行這樣的階段。

現(xiàn)階段最符合用戶習(xí)慣的交互方式是GUI，但GUI也是隨著智能手機的發(fā)展才逐漸流行起來。語音交互技術(shù)一旦解決了擬人化的問題，賦予聲音情感化，強化人人交互的體驗，就會進一步促進用戶習(xí)慣的養(yǎng)成。

4、語音交互有著其天然的用戶場景和用戶群體。

語音交互創(chuàng)造了全新的伴隨式場景，比如說早晨起床后我們可以一邊洗刷一遍聽廣播，晚上跑步的同時還可以聽音樂，語音交互解放了人的手和眼睛，通過語音交互我們可以做到一心二用，這極大的提高了我們在某些場景下的效率，語音交互充分抓住了人類不方便使用手和眼睛的場景。另外隨著智能設(shè)備影響的擴大，用戶群逐步向老齡人群、低齡人群、身體殘障人群滲透擴散的趨勢非常明顯，而對這些新進入人群而言，原有的觸控交互方式或許并不太適合，用戶習(xí)慣也未形成，例如老年人視力下降、手指也不夠靈活；低齡兒童還不能掌握手寫等能力也不適合長時間看電子屏幕；弱視/盲人更希望接受語音信息和發(fā)出語音指令，等等，因此語音交互也更適合拓展智能設(shè)備新的用戶人群。

語音交互將成為物聯(lián)網(wǎng)時代最有競爭力的入口。語音識別將使人機交互能夠以人類最熟悉的方式進行，語音識別技術(shù)一旦取得進一步的突破，這個行業(yè)就會迎來黃金時期，而且語音交互將凌駕于瀏覽器、APP等其他應(yīng)用入口之上，形成一個以語音交互技術(shù)為核心的全新應(yīng)用生態(tài)鏈，同時對人工智能產(chǎn)業(yè)的發(fā)展起到極大的促進作用。

可否想象么樣一個場景，在某個周日的早上，我們起床后，家里的智能音箱會自動給我們播報今天的天氣狀況，吃早餐的時候發(fā)現(xiàn)冰箱里的牛奶只剩最后一盒了，只需要說一句“再幫我訂購一箱牛奶”，快遞就會在約定好的時間送過來，說一句“幫我叫輛車”，一會車就到樓下等你了……

作者：有用先生，微信號：agoodesign，雜交設(shè)計師，產(chǎn)品狂熱分子，酷愛交互／界面／空間／品牌。

本文由 @有用先生 原創(chuàng)發(fā)布于人人都是產(chǎn)品經(jīng)理。未經(jīng)許可，禁止轉(zhuǎn)載。