智能音箱漫谈

首先请各位思考一下，除了声音，人类还有其他隔山打牛的本领吗？

之前我在很多文章里都讲过，对于智能家居系统来讲，手机APP控制仅仅是一个过渡，语音入口才是未来。拿到Amazon Echo后，我写了文章《这就是未来》，果然，现在遍地开花的智能AI音箱已经印证了这一点。

其实这道理很简单，人类要想控制智能家居系统，必然需要一个接口，而这个接口如果是人之外的设备，例如手机或者控制台，那么人需要拿出手机或者走到控制台那里，都不够方便。如果这个接口不需要接触，可以隔山打牛，那么就会更方便一些。但是如何在不接触的情况下获取人类的想法等信息呢？我们可以思考一下，信息传递靠的是波，人能发出或者反射的可以传递信息的波不过就是红外线、光线和声波，当然，你要是天线宝宝发射脑电波那就得另外考虑了。探测人类发出的红外线能够检测有无人员活动，但无法传输复杂信息；探测人类反射的光线可以通过手势等实现交互和控制，但是光线波长短，衍射能力差，牵扯到方向性且容易被阻挡；唯有声波这种机械波，波长足够长，衍射能力强，方便发射接收，符合人类几百万年形成的自然语言的习惯。

所以基于自然语言的智能AI音箱迅速风靡也就不足为奇了。

“有点冷，帮我打开空调”，空调自动开启；“来点轻松的音乐吧”，音乐缓缓飘过来；“来段相声乐呵乐呵”，有趣的相声就会来拯救无聊的你；“唉，我今天有点不高兴呢。”AI就会陪你聊天说笑一直到你高兴；“我要看电影，冯小刚导演的《芳华》”，家庭影院系统自动启动，为你播放电影《芳华》；“我要睡觉了”，无关设备自动关闭，空调自动调整为睡眠模式，灯光缓缓熄灭，助你好梦。有了智能AI音箱，以上这些都是“一句话的事”。

了解一个东西，我们必须首先知道它的基本原理。

智能音箱的技术原理并不复杂。硬件上主要就是主控板、通讯组件、麦克风阵列、喇叭以及按键、灯光指示等等，硬件构成和普通手机、平板等产品类似，都是处理器、内存、Flash存储、WiFi通讯芯片等这些通用的东西。所不同的就是智能音箱更专注于语音处理，麦克风更多，构成了阵列，音箱喇叭更多，音腔更大，音质更好而已。

从软件来讲，智能音箱对人类说出的自然语言进行处理，然后发出相应控制指令或者给出语音反馈。软件主要包括：语音检测（VAD）、降噪、唤醒、识别（ASR）、理解（NLU）、产生语言（NLG）、合成语音（TTS）这几个过程。

语音检测用于判断是否有人类的语言，如果检测到人类语言，那就对这部分信号进行降噪（包括回声消除AEC、声源定位DOA、波束形成BF）处理，然后识别其中是否有唤醒词，如果没有则丢弃，如果有，则进入交互状态。交互状态主要包括识别（ASR）、理解（NLU）、产生语言（NLG）、语音合成（TTS）这几个部分。其中识别（ASR）和理解（NLU）主要依靠云服务，也就是智能音箱将这部分语音信号处理后发送给后台云服务，然后进行识别，识别后的语音信号就变成了字和词，对这些字和词进行分析识别，就理解了用户的意图。理解意图后就可以发送一些控制信号、搜索相关信息、查找相关内容，然后产生应答的语言，再通过语音合成变成自然语言由智能音箱的喇叭输出，如此完成交互过程。

明白了原理，我们就可以分析一下市场上的这些智能音箱产品了。语音不同于其他，Echo足够优秀，但是国内使用它的人并不多，因为它不能识别中文，更别说方言了。所以，对于这类产品的分析，只能局限于国内产品。

智能音箱是在某种场景下的产物，比如Echo的购物，苹果HomePod的智能家居入口等等，所以本质上只有有应用场景，智能音箱才有市场，没有任何内容支持和Iot联动，是没有多大意义的。所以，生态对于智能音箱来说至关重要。结合智能家居生态，大概可以把国内主流智能音箱产品划分为小生态和大生态两大类。

小生态的代表是若琪和小雅。不得不说，若琪是比较早期起步的智能音箱，在AI算法方面有了不少的积累，表现不错，但是对于智能家居系统来讲，它能联动的组件并不多，局限于Lifesmart、Broadlink、Orvibo和Philips的小部分产品。喜马拉雅的小雅主打内容，有靠山喜马拉雅FM的支持，内容足够丰富，宣称是有情感有温度的人工智能图书馆，但是从智能家居控制来讲，它几乎不支持智能家居组件，是典型的小生态产品。

大生态的代表就是小爱同学、天猫精灵、叮咚和哇欧AI音箱。小爱同学以299元的价格杀入智能音箱市场，与小米生态链众多智能硬件产品的联动，让小爱同学有着甚佳的智能家居体验。然而，一个小遗憾就是你现在很难以299元的价格买到它。天猫精灵和京东叮咚，背靠各自平台。天猫精灵兼容阿里智能旗下的诸多产品，大到美的的大家电，小到控客的智能插座，类目非常丰富。叮咚则兼容京东微联旗下的产品，Haier、Honeywell、三星等都是京东微联的合作厂商。天猫精灵和叮咚都构成了各自较为齐全的生态，如果说劣势，那么就是目前这些生态的厂商之间有待磨合，特别是一些比较大的厂商的产品，在兼容和稳定性方面还有一些问题，在体验上还有较大提升空间，但是生态基本上完整了。哇欧家居AI音箱属于后起之秀，来自克路德机器人公司，之所以说它是大生态，是因为它兼容整套海尔的智能家居产品，包括海尔齐全的大家电产品线。小的智能组件研发周期短，可以迅速开发上市，然而齐全的大家电产品线可不是一朝一夕所能搞定的。克路德机器人的哇欧家居AI音箱，是在先有智能家居（有屋虫洞）、智慧酒店（温德姆）、智能健身房（力方体）等具体场景需求后才有的，这也是和另外几个平台不同的地方。克路德机器人属于少海汇生态企业之一，少海汇是一个不同于小米、阿里等传统生态系统的“去中心化”新生态系统。之所以有如此多的场景需求，正是因为少海汇生态圈关注的就是智慧住居产业的场景需求，专攻智能家居，有众多智能家居相关厂商加盟且互相兼容，现在看来具有强大的生命力，有了它的加持，哇欧家居AI音箱的前景应该会不错。

当然，如果说现在智能音箱产品已经成熟，肯定为时过早。就目前的产品来讲，前途光明，道路曲折。在语义解析、远场拾音、Iot联动、声纹识别、内容和生态圈方面还具有巨大的提升空间。

语义解析方面，目前主流产品只能达到识别相对简单的对话的水平，稍微复杂的语句很难精准的理解意图，这也是为什么有人称智能音箱为“智障音箱”，是下一步要解决的重点之一。远场拾音方面，目前的产品在普通环境下，5米之内都表现良好，但是再大的距离就普通出现识别率的急剧下降，影响体验。声纹识别（VPR）只有少数几款产品能够实现，但是声纹识别作为语音入口重要的身份识别方式，安全意义重大。Iot联动、内容和生态圈三者是互相紧密联系的，也是智能音箱能够广泛应用迅速普及的关键所在。小米、阿里、京东的生态愈加完善，以少海汇为代表的新生态的出现也为行业带来的新的活力，相信不久的将来，智能音箱会真正成为一个不可撼动的入口。

功成不必在我，未来已经到来。智能音箱作为新的入口，已经有了相对成熟的硬件结构，迅速发展的AI支持，展现出了强大的生命力。语义解析、远场拾音等技术迅速突破，Iot联动和内容迅速丰富，以小米、阿里等为代表的各种老生态圈臻于完善，以少海汇为代表的新生态圈活力迸发。不得不说，AI智能音箱是一次深刻的革命，且这革命绝不仅仅是在智能家居领域。