AI PM認(rèn)知系列第三篇，字?jǐn)?shù)：2300+，速讀需4分鐘。

從早期蘋(píng)果的Siri，到最近國(guó)內(nèi)的智能音箱大戰(zhàn)，越來(lái)越多AI語(yǔ)音產(chǎn)品走入了大家的生活。

?近幾天我也在思考，相比已有更落地方案的計(jì)算機(jī)視覺(jué)技術(shù)，AI的語(yǔ)音技術(shù)在產(chǎn)品應(yīng)用中的本質(zhì)是什么？這個(gè)思考我也跟一些語(yǔ)音領(lǐng)域的專(zhuān)家探討過(guò)，而其中我個(gè)人的理解是：

AI語(yǔ)音技術(shù)的本質(zhì)，通過(guò)效率的提升，場(chǎng)景的便捷，重新定義了用戶(hù)體驗(yàn)。

為什么我這么理解？那我們先來(lái)看看語(yǔ)音有哪些天然屬性：

• 提升效率：一分鐘400字的速度靠打字是無(wú)法超越的，所以特定行業(yè)，語(yǔ)音的技術(shù)可以大大的提升人機(jī)的效率。
• 操作便捷：解放了你的雙手，除了一些基本的操作，無(wú)需要每個(gè)字都操作鍵盤(pán)或點(diǎn)擊屏幕了。
• 學(xué)習(xí)成本：對(duì)于不認(rèn)字的老人和小孩，可以用語(yǔ)音來(lái)進(jìn)行檢索和進(jìn)行操作，對(duì)于不會(huì)拼音的人，也可以使用語(yǔ)音識(shí)別。

所以，以下AI語(yǔ)音相關(guān)的分享，會(huì)圍繞兩個(gè)方面：

1. 語(yǔ)音技術(shù)：語(yǔ)音識(shí)別和語(yǔ)音合成
2. 語(yǔ)音技術(shù)應(yīng)用和未來(lái)思考

1.語(yǔ)音技術(shù)：語(yǔ)音識(shí)別和語(yǔ)音合成

1.1?語(yǔ)音識(shí)別：ASK

語(yǔ)音識(shí)別（Automatic Speech Recognition）是以語(yǔ)音為研究對(duì)象，通過(guò)語(yǔ)音信號(hào)處理和模式識(shí)別讓計(jì)算機(jī)自動(dòng)識(shí)別人類(lèi)口述語(yǔ)言。

簡(jiǎn)單來(lái)說(shuō)，就是讓機(jī)器可以聽(tīng)得懂人話(huà)。

其中比較核心的部分是語(yǔ)音聽(tīng)寫(xiě)：就是將語(yǔ)音信息轉(zhuǎn)化為文字信息。

中文語(yǔ)音聽(tīng)寫(xiě)的技術(shù)原理，如下：

• 說(shuō)出一段話(huà)，比如：「產(chǎn)品經(jīng)理」，機(jī)器收到只是一段聲波信號(hào)。
• 進(jìn)行信號(hào)的預(yù)處理，如：降噪，消除回音…等。
• 特征提取，如：說(shuō)了幾個(gè)字，音調(diào)是什么…等。
• 通過(guò)聲學(xué)模型匹配，輸出“音”：chan2,pin3,jing1,li3。（拼音舉例）
• 通過(guò)語(yǔ)言模型處理，最終得到文字：產(chǎn)品經(jīng)理。

而這里的特征提取，聲學(xué)模型和語(yǔ)言模型在技術(shù)實(shí)現(xiàn)上，有兩種方法：

• 傳統(tǒng)：隱馬爾可夫模型（HMM）
• 端到端：深度神經(jīng)網(wǎng)絡(luò)（DNN）

目前語(yǔ)音識(shí)別技術(shù)主要是通過(guò)DNN實(shí)現(xiàn)的，特定場(chǎng)景下最高可以達(dá)到97%的識(shí)別率。

1.2語(yǔ)音合成：TTS

語(yǔ)音合成（Text-To-Speech）是計(jì)算機(jī)將自己產(chǎn)生的、或外部輸入的文字信息轉(zhuǎn)變?yōu)榭梢月?tīng)得懂的、流利的漢語(yǔ)口語(yǔ)輸出的技術(shù)。

簡(jiǎn)單來(lái)說(shuō)，就是機(jī)器講文字朗讀出來(lái)。

中文的語(yǔ)音合成技術(shù)原理，如下：

1. 先通過(guò)規(guī)則把一段文字分詞，如：我|愛(ài)|產(chǎn)品|經(jīng)理。
2. 把這段文字進(jìn)行韻律的處理，標(biāo)出是發(fā)什么音。
3. 根據(jù)語(yǔ)音庫(kù)的發(fā)音，進(jìn)行單元的拼接。
4. 最后就可以播放出這段語(yǔ)音了。

目前主要實(shí)現(xiàn)是兩種方法：

• 拼接法：把錄音的句子切碎成基本單元存儲(chǔ)起來(lái)，再根據(jù)需要拼接起來(lái)。
• 參數(shù)法：通過(guò)錄音提取波形的參數(shù)存儲(chǔ)起來(lái)，早根據(jù)參數(shù)轉(zhuǎn)化為波形。

拼接法的優(yōu)點(diǎn)就是更自然，但是缺點(diǎn)是需要大量的錄音，和存儲(chǔ)。

參數(shù)法的優(yōu)點(diǎn)就是存儲(chǔ)小，但是缺點(diǎn)就是不夠自然，聽(tīng)起來(lái)就是怪怪的機(jī)器發(fā)音。

另外谷歌發(fā)布的WaveNet是基于語(yǔ)音網(wǎng)絡(luò)使用生成算法制作而成的，相對(duì)于以前的拼接法、參數(shù)法，在聲音表現(xiàn)力上更具優(yōu)勢(shì)。

此外，語(yǔ)音合成的技術(shù)主要體現(xiàn)在四個(gè)方面：

• 表現(xiàn)力：不同年齡，性別特征以及語(yǔ)調(diào)，語(yǔ)速的表現(xiàn)，個(gè)性化。
• 音質(zhì)：聲音的清晰度，無(wú)雜音
• 復(fù)雜度：減少音庫(kù)的體積，降低運(yùn)算量及系統(tǒng)開(kāi)銷(xiāo)。
• 自然度：音律規(guī)則，間隔停頓。

目前的語(yǔ)音合成技術(shù)相對(duì)比較成熟，進(jìn)一步優(yōu)化的同時(shí)，大家的重點(diǎn)都放在了表現(xiàn)力上，以符合更多的場(chǎng)景應(yīng)用，滿(mǎn)足不同人對(duì)個(gè)性化的需求。

舉個(gè)例子：

前一段時(shí)間，我打車(chē)時(shí)候看到司機(jī)師傅使用高德的語(yǔ)音導(dǎo)航，語(yǔ)音合成用的是一個(gè)小朋友的聲音，我們就聊了起來(lái)，司機(jī)師傅說(shuō)他才剛開(kāi)始拉活，路不熟，他不喜歡郭德綱的聲音，話(huà)忒多，他用小朋友的聲音，一個(gè)是語(yǔ)速慢，另外一個(gè)是吐字清晰，不會(huì)因?yàn)槁?tīng)不清楚走錯(cuò)路。

這個(gè)就是在不同場(chǎng)景下用戶(hù)對(duì)于表現(xiàn)力的個(gè)性化需求，因人而異。

1.3產(chǎn)品應(yīng)用中涉及的語(yǔ)音相關(guān)技術(shù)

目前我們用微信語(yǔ)音或者是Siri時(shí)，都屬于近場(chǎng)的識(shí)別，而智能音箱，車(chē)載設(shè)備，機(jī)器人的語(yǔ)音都屬于遠(yuǎn)場(chǎng)識(shí)別，遠(yuǎn)場(chǎng)識(shí)別會(huì)受到，距離，噪音，混響…等問(wèn)題，需要有其他的相關(guān)技術(shù)來(lái)配合完成，提高識(shí)別率。

麥克風(fēng)陣列：由一定數(shù)量的麥克風(fēng)組成，用來(lái)對(duì)聲場(chǎng)的空間特性進(jìn)行采樣并處理的系統(tǒng)。用于在會(huì)議室、戶(hù)外、商場(chǎng)等各種復(fù)雜環(huán)境下，解決噪音、混響、人聲干擾、回聲等各種問(wèn)題。

麥克風(fēng)陣列又分為：2麥克風(fēng)陣列，4麥克風(fēng)陣列，6麥克風(fēng)陣列，6+1麥克風(fēng)陣列。

隨著麥克風(fēng)數(shù)量的增多，拾音的距離，噪聲抑制，聲源定位的角度，以及價(jià)格，都會(huì)上升，所如如何選擇要貼合實(shí)際應(yīng)用的場(chǎng)景，找到最佳的方案。

舉個(gè)例子：

獵豹小雅AI音箱，用的就是6+1麥克風(fēng)陣列，因?yàn)橐槍?duì)360度的3-5米的場(chǎng)景中使用。而很多家電，比如電視機(jī)都是貼墻放置的，2麥克風(fēng)陣列的180度，就足夠使用了。

而兩者麥克風(fēng)陣列技術(shù)要求和價(jià)格相差數(shù)倍。所以對(duì)于產(chǎn)品落地來(lái)講，在提供解決方案的時(shí)候，選擇最優(yōu)的方案。

語(yǔ)音激活檢測(cè)：在用微信時(shí)候，你會(huì)點(diǎn)擊語(yǔ)音的按鈕，來(lái)讓語(yǔ)音開(kāi)始識(shí)別。而在遠(yuǎn)場(chǎng)的時(shí)候，沒(méi)有辦法進(jìn)行相關(guān)的操作，所以需要判斷什么時(shí)候有語(yǔ)音，什么時(shí)候沒(méi)有語(yǔ)音。

語(yǔ)音喚醒：通過(guò)關(guān)鍵詞來(lái)喚醒你的語(yǔ)音設(shè)備，比如：嘿～Siri，這時(shí)候語(yǔ)音識(shí)別才開(kāi)始工作。

語(yǔ)音喚醒難點(diǎn)在于，喚醒的響應(yīng)時(shí)間，功耗要低，喚醒的漏報(bào)和誤報(bào)率……等。

2語(yǔ)音技術(shù)應(yīng)用和未來(lái)的思考

目前的語(yǔ)音識(shí)別技術(shù)，相對(duì)成熟應(yīng)用還在近場(chǎng)語(yǔ)音：

而語(yǔ)音產(chǎn)品的未來(lái)方向的挑戰(zhàn)：

• 遠(yuǎn)場(chǎng)語(yǔ)音：智能家居，車(chē)載語(yǔ)音…等
• 語(yǔ)音理解：與機(jī)器交互更“自然”的溝通

未來(lái)遠(yuǎn)場(chǎng)語(yǔ)音的場(chǎng)景比想象的更為復(fù)雜，雖然語(yǔ)音識(shí)別的相關(guān)技術(shù)在智能音箱的家居場(chǎng)景下表現(xiàn)的還不錯(cuò)，但家居環(huán)境畢竟相對(duì)安靜可控，但是其他的遠(yuǎn)場(chǎng)語(yǔ)音就沒(méi)有這么順利了。

例如：

車(chē)載識(shí)別，在開(kāi)車(chē)的環(huán)境下太多噪音，發(fā)動(dòng)機(jī)的聲音，打開(kāi)車(chē)窗的風(fēng)聲，車(chē)胎聲，路面聲音，這些噪音都會(huì)影響到語(yǔ)音的識(shí)別。

而解決的方法，是要在識(shí)別之前，消除掉這些噪音，但這樣就會(huì)產(chǎn)生一個(gè)問(wèn)題，那么多種聲音，機(jī)器怎么知道要消除哪些？保留哪些？

現(xiàn)在的方法是怎么做的？ 扛著個(gè)麥克風(fēng)，去各個(gè)車(chē)型里面錄噪音，然后把各種車(chē)，各種場(chǎng)景下的噪音給機(jī)器去學(xué)習(xí)，讓機(jī)器分辨出哪些聲音是要消除的。但不同環(huán)境，路面，不同的汽車(chē)發(fā)出的聲音又都不完全一樣，有大量的工作和太多不可控的情況。

將來(lái)如果想在更多場(chǎng)景，比如酒吧，體育場(chǎng)，就會(huì)更復(fù)雜，除了環(huán)境音，還有更多人說(shuō)話(huà)，比如“雞尾酒效應(yīng)”，所以未來(lái)的語(yǔ)音之路，會(huì)面臨更多挑戰(zhàn)。

語(yǔ)音的理解就涉及到另外一個(gè)AI技術(shù)了“自然語(yǔ)言處理”，目的是與機(jī)器溝通時(shí)候，它可以更好的理解你的意思，并給出相對(duì)的判斷或反饋，避免像現(xiàn)在的聊天機(jī)器人出現(xiàn)的所答非所問(wèn)，上句不接下句的情況，而有關(guān)自然語(yǔ)言處理，是一個(gè)更大的課題，也是AI目前的主要瓶頸之一，會(huì)再下一個(gè)分享中具體進(jìn)行討論。

以上就是我有關(guān)AI語(yǔ)音的分享，是AI PM認(rèn)知系列的第三篇，如果任何的疑問(wèn)或建議，歡迎隨時(shí)溝通探討。

相關(guān)閱讀：

第一篇：從0開(kāi)始搭建產(chǎn)品經(jīng)理的AI認(rèn)知體系

第二篇：產(chǎn)品經(jīng)理的AI知識(shí)框架：計(jì)算機(jī)視覺(jué)

作者：蘭楓，微信公號(hào)：藍(lán)風(fēng)GO @LanFengTalk，前騰訊游戲，新浪微博PM，Elex產(chǎn)品總監(jiān)，8年的游戲，社交，O2O等產(chǎn)品相關(guān)經(jīng)驗(yàn)，連續(xù)創(chuàng)業(yè)者。

本文由 @蘭楓?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。

題圖來(lái)自Pixabay，基于CC0協(xié)議