罗技和百度AI这对跨界组合,正在重新定义语音输入。

4月13日,全球著名云周边设备供应商罗技推出了一款“语音鼠标”,在百度AI的优先赋能下,用户点击鼠标上的语音键就能进行语音输入,不仅在PC端实现了中英文自由夹杂语音输入,还可以实时进行多种语言的语音翻译。

其实类似的概念并非是罗技首创。早在两年多前就出现了主打“语音输入”的键鼠类产品,诸如“智能鼠标”的概念也被多家品牌借用,但无一成为现象级的爆款产品,PC端语音输入的用户习惯也无从谈起。

百度AI为何要在这个时候进行跨界,并选择牵手罗技这样的市场领导者,背后到底隐藏了什么样的野心?

01 知易行难的语音输入

人类对语音输入似乎有着天生的执念。

早在2000年前后,个人电脑还属于少数人的玩物,IBM推出的软件工具ViaVoice就开始风靡全球。按照IBM的设想,ViaVoice将在人与机器之间担当“翻译”,只要一句话就能编排文本格式、控制桌面、操作程序、发送Email……

虽然IBM解放双手的革命未能如愿,却为整整一代人种下了“动口不动手”的交互理念。比如在2018年的时候,罗永浩推出了宣称是“下一代个人电脑”的TNT,试图将IBM讲述的“美丽童话”从传说变成现实。遗憾的是,老罗的TNT乃至后面推出的“智能鼠标”,都和ViaVoice一样成了被怀旧的对象。

为何语音输入一度成了悬而未决的世纪难题?可以找到三个直接相关的痛点。

一是连续语音输入的“尴尬”。

语音输入并非没有落地的场景,和智能音箱的语音交互、聊天时的语音识别等等,可以说是屡见不鲜的场景,然而切换到办公时长篇幅的连续输入,现有的语音识别模型常常出现“宕机”的问题。

时间追溯2015年,注意力模型已经是语音识别的主流技术,在语音识别的准确率方面有了突破性的进展,但注意力模型大多是基于整句的建模,通过机器学习选择和当前建模单元最匹配的特征,导致句子越长识别难度就越大,出错的概率也就越高,同时还伴随着较长的用户等待时间。

二是远场语音识别的不足。

网上流传着使用TNT工作站的段子:想要在办公室里用语音操作TNT,先要提前喊一声“安静”,让周边的同事自动进入到消声状态,不然TNT可能不知道是谁在说话,语音识别的准确率让人堪忧。

背后牵涉到的是远场语音识别技术,如果目标声源距离拾音器比较远,将导致目标信号衰减严重,加上嘈杂的外部环境制造了太多的干扰信号,最终导致信噪比较低、语音识别性能比较差。我们已经习惯在手机上对着麦克风说话,但不可能以趴在电脑上的姿势对着屏幕进行语音输入。

三是语言混合输入的难题。

即使不考虑长句子连续输入和远场识别的问题,日益进化的语言习惯也一度制约语音输入的普及。就像很多人在工作中常常出现中英词汇混用的情况,或者有时候飚一句方言,都可能难倒识别工具。

尽管一些语音识别工具推出了多种语言的识别模型,可在过去很长一段时间里,需要用户先手动切换至想要识别的语言,比如你想要用四川话进行语音输入,先要到输入法的设置中将语言设定为四川话,说普通话的时候再去切换回来。不仅进一步增加了用户的学习成本,体验也不尽如人意。

在种种待解痛点的制约下,语音输入的想象固然美好,但前提是进行一场技术上的长征。可以佐证的是,微软刚刚以197亿美元的价格收购了Siri背后的语音技术玩家Nuance,计划将Nuance的语音识别技术和旗下其他产品整合,以接棒在技术和场景上落后而被迫默默退场的Cortana。

02 百度AI的三步走战略

而在语音技术的赛道上,百度已经奔跑了十年。

2010年百度正式成立了语音团队,主要研发百度语音识别、语音合成等在内的一系列核心技术,并逐步将百度的语音技术应用于小度智能音箱、百度输入法、小度车载助手、百度智能语音呼叫中心等产品。

不过在PC端语音输入的话题上,百度AI在很长时间里并未追逐“智能硬件”的风口,默默制定了语音技术的三步走战略:

第一阶段,语音识别算法的持续打磨。

为了解决连续语音输入的痛点,百度AI的工程师们在注意力模型的基础上,创新性地提出了流式多级截断注意力模型SMLTA,利用CTC算法对连续语音流进行截断,然后对每一个小段的语音进行建模,把原来整句的建模,变成了局部语音小段的建模。这样用户话音一落就可以拿到识别结果,保证了最佳的用户体验。

同时百度AI还针对语言混合输入进行了算法优化,罗技推出的“语音鼠标”VOICE M380就支持8种语言的语音翻译,首次通过罗技鼠标在PC上实现了中英文自由夹杂语音输入,以及粤语、四川话、东北话、河南话等7种方言免切换混合输入。

第二阶段,一体化的端到端建模技术。

市场上常见的远场语音识别技术,往往将麦克风阵列作为拾音器,然后利用多通道语音信号处理技术增强目标信号。这种先语音增强后语音识别的思路,在一定程度上提高了识别的准确率,但增强目标和优化目标可能并不一致。

百度AI的思路是“语音增强和语音声学建模一体化”的端到端建模,并提出了基于复数CNN的远场端到端建模方案,利用复数CNN 网络挖掘生理信号本质特征的特点,直接对原始的多通道语音信号进行多尺度多层次的信息抽取,避免了由于定位出错而导致识别准确率急剧下降的问题,最终远场语音识别的错误率降低了30%以上。

第三阶段,自研芯片加速产业化落地。

语音输入的隐形制约还有算力和功耗。在语音技术从云端竞争向芯片端延伸的趋势下,算力直接关系着用户体验,但传统芯片的平均功耗在1W以上,算力和功耗的两难,进一步制约了语音输入的应用场景。

在提出端到端的一体化方案后,百度AI将目光瞄向了芯片端。在2019年发布了首款针对远场语音交互研发的鸿鹄芯片,通过端到端的软硬一体化框架,将所有语音交互任务集中到一颗低功耗语音交互芯片上,提取的语音特征直接在云端进行高精准识别。目前鸿鹄芯片的平均功耗只有100mw,完全满足3C产品0．5W的待机标准。

和智能语音同时进化的,还有百度AI的机器翻译,过去十年中在大规模产业化机器翻译模型、海量翻译知识获取、多语言翻译统一框架、机器同声传译等方面进行了系统而深入的研究。特别是基于神经网络的多语言翻译统一框架,在全世界范围内首次实现了203种语言的互译。

百度AI围绕智能语音和机器翻译的战略布局佐证了这样一个事实:技术赛道并非是闭门造车,百度AI对罗技的优先赋能,正是精准把握产业化需求的体现。

03 产业化的大航海时代

消除了用户体验上的痛点,百度AI开启了语音技术的产业化进程。

百度AI和罗技跨界推出主打语音技术的“鼠标”,不失为一次有示范效应的练兵。正如前面所提到的,从IBM的ViaVoice开始算起,语音输入在PC上的应用已经持续了20多年,期间诞生了形形色色的软硬件产品,但未能改变“键鼠”的市场地位,大多数新奇的产品最终被人们选择性遗忘。

百度AI和罗技则为语音输入开启新的篇章。

一方面,目前百度AI的中文语音识别率已经达到98．6%,背后是人机交互效率的再次刷新。比如大多数打字员每分钟输入的字数在80到200之间,而百度AI的语音输入在实验室环境中可以达到每分钟400字,何况语音输入的门槛相对更低,小孩子、老人、视觉障碍人群等特殊人群也可以使用,人机交互的成本和效率都在被拉平。

另一方面,百度AI和罗技的跨界为语音输入找到了新的应用场景:除了单纯的文字输入场景外,还可以用于会议、演讲、采访等场景下的文字记录;语音翻译功能紧紧贴合了当前办公场景中,和外国同事、客户等跨语言沟通交流的需求……相较于20多年前替代键盘的单一诉求,语音输入的价值正越来越多元,应用场景也越来越广泛。

进一步深挖的话,百度AI和罗技的跨界不仅为语音输入的“梦想”画了一个句号,正式推出的“语音输入服务”,也为智能语音的产业化提供了新的思路。

语音技术之所以被频频聚焦,原因在于语音正在逐步改变固有的人机交互习惯,并且已经在家庭、车载等场景中被验证。正如鼠标、触摸屏等曾经引发的浪潮,语音交互大概率将催生出新的生态,而那些无法适应新趋势及时迭代进化的产品,不排除一步步被市场所淘汰的可能。

于是“+AI”渐渐成了行业的热门话题,几乎所有的行业都在思考利用AI降本增效或转型升级。百度代表的人工智能领头羊也逐渐意识到:人工智能的使命不是颠覆或重构一个行业,而是帮助行业找寻新的增长动能。

对应的动作就是百度大脑在6．0时的升级,作为百度AI多年技术积累和产业实践的集大成,百度大脑被定义为中国智能经济的基座,试图通过软硬一体的能力输出,避免合作伙伴们一次次重复造轮子。其中语音能力恰是百度大脑的核心优势之一,每天的调用量早已超过155亿次。

百度AI对罗技软硬一体的优先赋能,和百度大脑加速产业智能化升级的战略不无关系。不同于行业中常见的兜售算法形式的合作,百度AI针对罗技桌面级的场景进行了单独的优化和适配,并选择以软硬一体的方式帮助罗技打造真正的杀手级产品,在产品力和用户体验上形成独一无二的技术壁垒。

而当罗技这样的行业领导者主动拥抱百度AI,也在某种程度上预示着智能语音的产业化开始进入大航海时代。

04 写在最后

百度AI x 罗技的范式,为智能语音的落地撕开了一道口子。

可以预见的是,鼠标绝不会是二者跨界的唯一产品,后续百度AI的智能语音将逐步兼容更多的罗技产品;同时罗技也不会是唯一加入到“+AI”行列的品牌,语音技术在各行各业的应用落地进程正在加速。

借用一句古话来说:“旧时王谢堂前燕,飞入寻常百姓家”。在百度AI持续对外赋能的姿态下,我们的生活正逐步被AI改变。