行業(yè)新聞

十步，智能音箱從入門到放棄

對(duì)于如何做好一個(gè)智能音箱，筆者腦海里面先浮現(xiàn)的是讀書那會(huì)兒圖書館、書店里面不斷沖擊眼球的《21天，C++從入門到精通》。當(dāng)然，很多時(shí)候讀完的感覺是，這個(gè)書名應(yīng)該改為《21天，C++從入門到放棄》，原因無他，C++博大精深、功能強(qiáng)大、涉及面極廣。類比智能音箱，筆者也嘗試撰寫一篇短文，不需要21天，只需要10步，智能音箱就可以從入門到放棄了。

2017年6月4日，“定位之父”杰克·特勞特先生去世，享年82歲。但是他提出的“定位”（Positioning）理論將繼續(xù)指導(dǎo)大家的經(jīng)濟(jì)活動(dòng)。具體到智能音箱，尤其是在國(guó)內(nèi)，如何在這波熱潮里面定位自己，非常重要。一個(gè)簡(jiǎn)單的例子，是打算自己推產(chǎn)品？還是打算國(guó)內(nèi)的通行做法，左手產(chǎn)品、右手方案？如果是后者，那么自己樹標(biāo)桿的產(chǎn)品采用什么方案？提供給客戶的方案又需要如何滿足不同的客戶價(jià)格區(qū)間？

看著上表，再看看國(guó)內(nèi)對(duì)于TTM(Time To Market) & Cost的割喉競(jìng)爭(zhēng)，這一步估計(jì)已經(jīng)有不少公司放棄啦。

音箱外觀是[敏感詞]眼印象，重要性不解釋，見下圖：

這也就不難解釋為何那么多方案商給出的參考設(shè)計(jì)都是圓柱體，外形大體一樣——雖然我不出挑，但我也不挨罵啊。

各位看官，設(shè)身處地，如果自己沒有蘋果的江湖地位，面對(duì)吃瓜群眾對(duì)音箱外觀仁者見仁智者見智地點(diǎn)評(píng)，是否有強(qiáng)大的心臟可以支持自己繼續(xù)走到第三步？

其實(shí)外觀設(shè)計(jì)和結(jié)構(gòu)設(shè)計(jì)是密切相關(guān)的，大家都希望設(shè)備輕巧可攜帶，音效又特好，外殼還柔性，但外觀設(shè)計(jì)這一飄逸藝術(shù)家的活，被結(jié)構(gòu)要求的技術(shù)工科男懟了。要想低音好，需要加些料；要想播歌期間識(shí)別好，Mic喇叭[敏感詞]分開擺。這左一條、右一條、上一條、下一條的設(shè)計(jì)原則，讓音箱慢慢變大、變高，也就很難看到類似藍(lán)牙音箱那種捏在手里陪你慢慢跑步的智能運(yùn)動(dòng)音箱了。

各位做方案的朋友們，更要對(duì)這個(gè)上心啦，因?yàn)榻Y(jié)構(gòu)設(shè)計(jì)得好，大家一時(shí)感覺不了，結(jié)構(gòu)設(shè)計(jì)得不好，整體效果就大打折扣。當(dāng)然，結(jié)構(gòu)設(shè)計(jì)的好，不妨展示自家的透視圖，妥妥地工程美學(xué)。雖然大家都吐槽蘋果外形，但是[敏感詞]這張還是蠻出挑的。 

所謂的智能音箱，首先還是個(gè)音箱，自然要考慮播放歌曲的效果。上面談到的聲學(xué)結(jié)構(gòu)，也是首先要確保播放音效。但是歌曲內(nèi)容的覆蓋度，也是[敏感詞]重要的事情。光有好的音效聲學(xué)結(jié)構(gòu)，沒有音樂源，那就是修了高速?zèng)]有車跑了。國(guó)內(nèi)在這一塊合縱連橫，但主動(dòng)權(quán)還是掌握在音樂版權(quán)商手里。有決心涉足于此的大廠，這一塊的合作和成本是必須要考慮的事情了。

由于市場(chǎng)已有方案的示范效果，智能音箱除了播放歌曲，各種有聲讀物、唐詩(shī)宋詞、外文翻譯，也是題中應(yīng)有之意。每一塊內(nèi)容的整合，都是需要認(rèn)真規(guī)劃的。喜馬拉雅近日發(fā)布小雅音箱，其中一個(gè)大的出發(fā)點(diǎn)和訴求點(diǎn)就是自身的內(nèi)容優(yōu)勢(shì)。

從積極的角度看，為內(nèi)容，尤其是為高質(zhì)量的內(nèi)容付費(fèi)，是我國(guó)知識(shí)產(chǎn)權(quán)走向更為成熟的標(biāo)志之一，也杜絕了部分市場(chǎng)參與者賺快錢、撈一把就走的心態(tài)，這樣的氛圍更有利于打造精品，助力消費(fèi)升級(jí)。

說了這么多，終于開始進(jìn)入到產(chǎn)品本身了，那么如在定位中所提及的，在選定系統(tǒng)平臺(tái)后，各種系統(tǒng)優(yōu)化的工作就要安排了。很多做智能音箱的，把眼睛盯在遠(yuǎn)場(chǎng)喚醒、打斷、識(shí)別上面，其實(shí)系統(tǒng)優(yōu)化的[敏感詞]步，遠(yuǎn)遠(yuǎn)沒有到那一塊。目前的智能音箱均是WiFi音箱，那么開機(jī)速度、聯(lián)網(wǎng)便利性就是用戶除外觀以外的第二第三體驗(yàn)了。開機(jī)速度自然是越快越好，聯(lián)網(wǎng)自然是成功率越高越好，操作越簡(jiǎn)單越好。但是很多音箱，開機(jī)大于1分鐘，聯(lián)網(wǎng)重連概率高，還比較挑路由器和網(wǎng)絡(luò)設(shè)置。這個(gè)，怎么說呢，想象一下小輩買了個(gè)音箱回家孝敬老人，心情愉快地上電，默默地等待幾分鐘，后自己也折騰半天還無法聯(lián)上網(wǎng)，這個(gè)畫面就比較尷尬了。

其次系統(tǒng)功耗也很重要，先不說可攜帶音箱，即使是家中的音箱，雖然一直連著電源，但是播放一段時(shí)間后，播出千分音，但更放出萬分熱，就比較麻煩了。功耗牽涉到CPU的選擇，休眠時(shí)降頻的處理，也牽涉到一直運(yùn)行的計(jì)算，比如語(yǔ)音待喚醒的功耗，都是考驗(yàn)一個(gè)技術(shù)團(tuán)隊(duì)的重要方面。

沒有系統(tǒng)的駕馭能力，止步于此是一個(gè)不錯(cuò)的選擇了。

好了，支撐整個(gè)智能音箱的AI終于要登場(chǎng)了，這是一個(gè)極為復(fù)雜的系統(tǒng)，涉及到感知技術(shù)、認(rèn)知技術(shù)以及交互技術(shù)。下圖給大家一個(gè)整體印象。

以家居環(huán)境為例，遠(yuǎn)場(chǎng)語(yǔ)音拾取，必然需要考慮去除由于墻壁等反射導(dǎo)致的混響，家居各種設(shè)備產(chǎn)生的背景噪聲，其他用戶的人聲干擾以及電視機(jī)自身產(chǎn)生的回聲。目前市面上Mic陣列主要分為2Mic陣列和多Mic陣列。

Google Home采用的就是2Mic陣列，這個(gè)方案[敏感詞]的好處是結(jié)構(gòu)簡(jiǎn)單，實(shí)施落地方便，凸顯了Google做平臺(tái)的特質(zhì)。原因也很簡(jiǎn)單，在音箱上打兩個(gè)孔，無論是確保在一條直線上（這個(gè)其實(shí)是廢話了，兩點(diǎn)確定一條直線），還是一個(gè)平面上（似乎也是句廢話），都非常簡(jiǎn)單。缺點(diǎn)是只能支持180°聲源定位，定位角度的區(qū)分度也弱一些。

Amazon采用的是6+1 Mic陣列，支持360°聲源定位，但是聲學(xué)結(jié)構(gòu)設(shè)計(jì)，乃至后期維護(hù)的難度有所提高。2Mic的一致性和6個(gè)Mic的一致性，以及更換出問題的概率都有差別。

另外，當(dāng)前也有一個(gè)有些走偏的思潮，那就是認(rèn)為Mic越多越好，這個(gè)看法其實(shí)有待商榷的，4個(gè)Mic能解決的問題，為啥一定要8個(gè)？成本更低，結(jié)構(gòu)更簡(jiǎn)單，效果一樣，為啥一定要7、8個(gè)呢？這種思潮，既有點(diǎn)像當(dāng)初大家追求的8核、10核處理器，又有點(diǎn)像鼓吹者只想做個(gè)Demo，根本不考慮量產(chǎn)了。

就像外觀是整個(gè)音箱的[敏感詞]體驗(yàn)一樣，喚醒，是智能音箱的[敏感詞]體驗(yàn)了。說喚醒詞后反應(yīng)遲緩，隔得遠(yuǎn)了喊半天不起來，播放歌曲了需要吼才能起來，甚至放在那，莫名奇妙自己叫起來了，這些產(chǎn)品估計(jì)得擔(dān)心被用戶拍小視頻投訴了。

離線喚醒需要關(guān)注以下關(guān)鍵點(diǎn)：

快: 反應(yīng)速度一定要快，[敏感詞]是用戶話音剛落，設(shè)備就應(yīng)答了，這給用戶的感受，就像是有個(gè)隨叫隨到的助手，很有feel。

準(zhǔn): 必須要準(zhǔn)確，說了喚醒詞就得有反應(yīng)，否則，喊了半天，尤其是智能音箱經(jīng)常播放音樂，需要能準(zhǔn)確打斷，繼續(xù)下達(dá)命令。

穩(wěn): 沒事的時(shí)候靜靜地呆在那，主人看電視、接待小伙伴，音箱都不胡亂自己跳出來，給大家意外。這就要求長(zhǎng)時(shí)間誤喚醒率趨向于0。這一塊其實(shí)是硬功夫，而且需要仔細(xì)考察才能選出合適的方案。否則，喚醒光有快和準(zhǔn)，后沒事亂蹦出來，就很煩人啦，沒準(zhǔn)投訴隨之而至。

一般而言，說起認(rèn)知技術(shù)，大家討論的都是自然語(yǔ)言處理(NLU)，主要目的是讓音箱能準(zhǔn)確理解用戶的意圖。但是，中文博大精深，不同人說同一句話，以及同一個(gè)人在不同場(chǎng)合說同一句話，意思都不一樣了。例如經(jīng)典笑話：

A：你這是什么意思？

B：沒什么意思，就是意思意思。

A：你這樣就沒有意思啦。

B：哪里哪里，這只是一點(diǎn)小意思。

A：呵呵，你這個(gè)人真有意思。

這也就提醒我們，光從文字上，實(shí)際上是很難準(zhǔn)確地理解用戶的意圖的。任何語(yǔ)音的交流，都需要考慮一個(gè)核心因素—— 場(chǎng)景化。

所謂的語(yǔ)用計(jì)算，就是基于場(chǎng)景化感知的NLU。通過5W&1H(Who，When，Where，Which，What&How) 原則理解是什么人在什么時(shí)候，什么地方對(duì)著什么設(shè)備說了什么話，然后由語(yǔ)用決定如何去回應(yīng)。

具體到智能音箱，尤其是還有打算像Google和Amazon一樣把音箱作為家居中控的朋友們，更需要考慮這個(gè)基于場(chǎng)景的語(yǔ)用計(jì)算。

“你好音箱，幫我把燈關(guān)了”—— 是指這個(gè)智能音箱上連接的客廳的燈，還是臥室的？

“有點(diǎn)冷”，是指這個(gè)笑話說得有點(diǎn)冷，還是音箱上也掛接了空調(diào)了？

設(shè)身處地，理解用戶的命令，為用戶提供合適的應(yīng)對(duì)，才是真正的NLU，也是語(yǔ)用計(jì)算的真諦所在。

前面兩條是感知技術(shù)（耳朵）和認(rèn)知技術(shù)（大腦），有了這兩條，智能音箱聽得到，也聽得懂了，那么這款智能音箱可以說做到內(nèi)秀了。但是除了心靈美，也需要良好的溝通才能把音箱豐富的內(nèi)心帶給用戶。這就是要靠交互了，為自然的交互自然是語(yǔ)音交互了。但是目前的音箱，所有的交互都是一喚醒再一問再一答。這種交互[敏感詞]的問題就是——讓人感到生分。每次使用前，需要先喊一聲音箱的名字，然后再下達(dá)指令，比如：

先喚醒： “臥龍先生”，然后下達(dá)命令“隨便來首那英的歌”。智能音箱開始播放了，這個(gè)時(shí)候改主意了，想換一首韓紅的歌時(shí)，又得喊一聲音箱的名字喚醒……

這個(gè)感覺，很像兩個(gè)特別生分的人，無論何時(shí)何地，請(qǐng)對(duì)方幫忙，都要喊一聲全名，“臥龍先生，請(qǐng)你”……“臥龍先生，能否幫我”…… “臥龍先生”……音箱買回家都幾個(gè)月了，大家已經(jīng)很熟啦，為啥一定需要這樣？

另外，面對(duì)音箱，用戶的心態(tài)和面對(duì)一個(gè)活生生的人，還是有些差異的。作為一名五好青年，隨意打斷別人說話，總是有些不禮貌的，從而內(nèi)心是抗拒的。但是打斷一個(gè)設(shè)備說話，或者插話，大家一般還是比較隨意的。