錢(qián)晨：為什么“智能音箱”可能會(huì)被做臭？

卸任錘子科技 CTO 之后，錢(qián)晨加入數(shù)字家圓，參與了一款視頻通訊設(shè)備——親見(jiàn) H1 的研發(fā)，做的是他老本行——聲學(xué)，其中最核心的工作便是遠(yuǎn)場(chǎng)語(yǔ)音識(shí)別。

遠(yuǎn)場(chǎng)語(yǔ)音識(shí)別也是 Amazon Echo 的核心技術(shù)之一，Echo 的火爆點(diǎn)燃了整個(gè)市場(chǎng)，但錢(qián)晨告訴雷鋒網(wǎng)，他并不認(rèn)為這是“最好的時(shí)代”。

1998 年，錢(qián)晨在中科院順利拿到了水下聲學(xué)博士學(xué)位，很長(zhǎng)一段時(shí)間，他在北京摩托羅拉研發(fā)中心擔(dān)任電子與聲學(xué)工程師。

他現(xiàn)在擔(dān)心的是，百家爭(zhēng)鳴背后，“智能音箱”這個(gè)概念會(huì)被做臭，就像他玩石頭從來(lái)不碰田黃，因?yàn)橐徽f(shuō)到田黃，他第一反應(yīng)就是贗品。

以下是錢(qián)晨自述，由雷鋒網(wǎng)整理。

這么說(shuō)吧，做前端聲音處理的，國(guó)內(nèi)沒(méi)有高水平的。因?yàn)槲覀冞@個(gè)專(zhuān)業(yè)，一年畢業(yè)不到 50 個(gè)學(xué)生，大家都知道，這個(gè)水平不會(huì)太高。但是美國(guó)人比較有意思，美國(guó)人做物理比咱們深，物理做深了以后，它就能解開(kāi)一道道題。

麥克風(fēng)這個(gè)行業(yè)，有兩個(gè)流派。一個(gè)是說(shuō)自己有 6 個(gè)、7 個(gè)麥克風(fēng)（Amazon Echo）的那種，叫麥克風(fēng)陣列；第二個(gè)流派就是“兩麥”（Google Home）。從這一點(diǎn)出發(fā)，不管廠商怎么講故事，都逃不出這兩個(gè)。

麥克風(fēng)陣列流派的缺點(diǎn)是夾角窄。

展開(kāi)之前得先談一談“波束形成”。波束形成實(shí)際上 20 年前就有人做了。軍工里的聲納，微波里的智能天線，都是這個(gè)技術(shù)。

當(dāng)時(shí)大家為什么用波束形成？主要是因?yàn)樽鲭娐返臅r(shí)候就是處理各種放大信號(hào)，而波束形成本身就是一個(gè)放大信號(hào)，我們管這個(gè)放大叫空間增益。對(duì)空間場(chǎng)的增益還有一個(gè)公式，根據(jù)它，能做出很多技術(shù)創(chuàng)新來(lái)。

亞馬遜做 Echo 的時(shí)候就用了這個(gè)技術(shù)。這個(gè)技術(shù)體現(xiàn)在產(chǎn)品上，就是它能識(shí)別聲音傳來(lái)的方向，然后把旁邊的聲音濾掉，把需要的聲音增加了空間增益。對(duì)比到電路上，就是這個(gè)信號(hào)的放大倍數(shù)多，信噪比好，信號(hào)被放大以后，很干凈。

麥克風(fēng)陣列就是用這個(gè)陣列形成一個(gè)波束，波束角是 60 度。

“兩麥”沒(méi)有夾角窄這個(gè)問(wèn)題，它也有空間信息，能分辨出來(lái)聲音是左邊來(lái)的還是右邊來(lái)，但它沒(méi)有增加放大量。

對(duì)比這兩個(gè)流派，時(shí)間差能說(shuō)明一些問(wèn)題。亞馬遜 4 年前就在 Echo 上用了波束形成，而“兩麥”是去年開(kāi)始用的，就是 Google Home。所以這兩個(gè)技術(shù)在應(yīng)用成熟度方面，差了三年到四年。

再往下走就到設(shè)備端了。

設(shè)備首先要解決的問(wèn)題就是噪聲抵消。比如一個(gè)人跟另一個(gè)人說(shuō)話，聲音是從四面八方傳到耳朵里的，對(duì)設(shè)備來(lái)說(shuō)，情況也一樣。那這就有問(wèn)題了，有些方向的聲音快一點(diǎn)，有些會(huì)慢一點(diǎn)，疊加在一起就產(chǎn)生了混響，或者說(shuō)噪音。

所以麥克風(fēng)把聲音識(shí)完以后，剩下的事就是做噪聲抵消，讓聲音信息干凈到能讓“對(duì)方”聽(tīng)到，計(jì)算機(jī)才能夠處理。

現(xiàn)在可以看到，科勝訊、云知聲、思必馳，科大訊飛這些公司，它們都說(shuō)自己有全套解決方案，實(shí)際上，“全套解決方案”就是能解決剛才所說(shuō)的噪聲抵消和后面的云端處理。

只有設(shè)備里的噪聲抵消解決干凈了，信息才能傳到下一級(jí)，去做語(yǔ)音識(shí)別。

語(yǔ)音識(shí)別國(guó)內(nèi)做得最好的就是科大訊飛，他們最喜歡干的就是，每次有人在那兒說(shuō)話，它給你翻成文字。它這個(gè)做得很漂亮。但這些文字是什么意思？它不管了。因?yàn)檫@已經(jīng)到了語(yǔ)義識(shí)別，而在這一塊做得最好的是微軟和亞馬遜。

總之，可以把語(yǔ)音設(shè)備的技術(shù)分成三段：一是噪聲抵消，二是語(yǔ)音識(shí)別，三是語(yǔ)義識(shí)別。在語(yǔ)義識(shí)別這塊，老外比中國(guó)人強(qiáng)。

對(duì)用戶來(lái)說(shuō)，一定是三段都做好才能有所體會(huì)，但語(yǔ)義識(shí)別是個(gè)更難的東西，基本上只有大公司能做，小公司做不了。

我現(xiàn)在認(rèn)為“智能音箱”快做壞了，就是設(shè)備端都沒(méi)有做好。如果降噪這一塊沒(méi)有處理好，科大訊飛算法再好也傻，識(shí)別率就下降，語(yǔ)義識(shí)別就更別談了。

很少有人注意到一個(gè)信息，國(guó)家做了一個(gè)實(shí)驗(yàn)室，希望廠商們把自己的語(yǔ)音設(shè)備放到實(shí)驗(yàn)室去認(rèn)證。

它就跟手機(jī)一樣，手機(jī)廠商都會(huì)說(shuō)自己的產(chǎn)品好，但最后必須得過(guò) 3C 標(biāo)準(zhǔn)，需要認(rèn)證。所以大家都說(shuō)自己好的時(shí)候，實(shí)驗(yàn)條件是什么？環(huán)境條件是什么？他們答不上來(lái)的。

聲學(xué)測(cè)量遠(yuǎn)比電磁場(chǎng)測(cè)量復(fù)雜，能不能適應(yīng)復(fù)雜的物理環(huán)境才是體現(xiàn)設(shè)備水平高低的地方，而那些總拿“能識(shí)別幾米幾米”說(shuō)事的，消費(fèi)者都不會(huì)買(mǎi)單。

雷鋒網(wǎng)拓展閱讀：《亞馬遜的秘密部隊(duì)和差點(diǎn)成笑話的Amazon Echo》

雷峰網(wǎng)原創(chuàng)文章，未經(jīng)授權(quán)禁止轉(zhuǎn)載。詳情見(jiàn)轉(zhuǎn)載須知。