語音識別作為人工智能發(fā)展最早、且率先商業(yè)化的技術，近幾年來隨著深度學習技術的突破，識別準確率大幅提升，帶動了一波產(chǎn)業(yè)熱潮。繼科大訊飛、捷通華聲之后，行業(yè)內(nèi)又涌現(xiàn)出思必馳、云知聲、出門問問等后起之秀，在教育、客服、電信等傳統(tǒng)行業(yè)之外，開辟出了車載、家居、醫(yī)療、智能硬件等語音技術應用新天地。

　　與此同時，自然語言處理（NLP）作為人機交互技術的重要一環(huán)，也為此提供了助力。Siri的推出打開了語音交互的先河，不僅催生了一批語音語義創(chuàng)業(yè)公司，還激發(fā)了百度、搜狗等大型互聯(lián)網(wǎng)公司在語音語義技術上的投入。

　　由于NLP和語義理解技術能夠讓機器理解人的意圖和需求，并把相應內(nèi)容反饋給用戶，因此在客服行業(yè)得到了廣泛應用，有效降低了人力成本，提高了企業(yè)運營效率。

　　那么，中國智能語音語義產(chǎn)業(yè)主要涉及哪些技術？技術發(fā)展水平如何？存在哪些問題？有哪些應用領域、玩家和商業(yè)模式？行業(yè)格局和未來發(fā)展趨勢又將如何呢？本文將為您一一解答。

　　智能語音語義包含語音合成、語音識別和自然語言處理（NLP）三項主要技術。

　　語音合成技術發(fā)展最早，應用已較為普遍，除了合成音仍偏機械之外，基本不存在太大技術問題；語音識別在2012年卷積神經(jīng)網(wǎng)絡（CNN）應用之后，準確率大幅提升，已經(jīng)在C端、B端得到了廣泛應用，但效果和體驗還不夠理想；NLP技術雖然在搜索引擎中早有應用，但在人機交互領域仍屬于淺層處理。

　　在生物學中，有個術語叫做“魯棒性”，是指系統(tǒng)在擾動或不確定的情況下，仍能保持它的特征行為。這一問題在語音識別領域也存在。

　　語音識別整個過程包含語音信號處理、靜音切除、聲學特征提取、模式匹配等多個環(huán)節(jié)。由于語音信號的多樣性和復雜性，系統(tǒng)只能在一定限制條件下才能獲得滿意效果。在真實使用場景中，考慮到遠場、方言、噪音、斷句等問題，準確率會大打折扣。目前業(yè)內(nèi)普遍宣稱的97%識別準確率，更多的是人工測評結(jié)果，只在安靜室內(nèi)的進場識別中才能實現(xiàn)。

　　要解決語音識別魯棒性問題，需要在技術和產(chǎn)品兩方面進行優(yōu)化。一方面，在語音增強、麥克風陣列以及說話人分離等多項技術領域持續(xù)投入，并結(jié)合后端語義，促進對上下文的理解，從而提升識別效果；另一方面，需要從產(chǎn)品設計上進行優(yōu)化，比如通過進一步交互，使語音識別變得更為準確。

　　NLP技術大致包含三個層面：詞法分析、句法分析、語義分析，三者之間既遞進又相互包含。

圖：NLP分析技術

　　詞義消歧是NLP技術的最大瓶頸。機器在切詞、標注詞性、并識別完后，需要對各個詞語進行理解。由于語言中往往一詞多義，人在理解時會基于已有知識儲備和上下文環(huán)境，但機器很難做到。雖然系統(tǒng)會對句子做句法分析，可以在一定程度上幫助機器理解詞義和語義，但實際情況并不理想。

　　目前，機器對句子的理解還只能做到語義角色標注層面，即標出句中的句子成分和主被動關系等，它屬于比較成熟的淺層語義分析技術。未來要讓機器更好地理解人類語言，并實現(xiàn)自然交互，還是需要依賴深度學習技術，通過大規(guī)模的數(shù)據(jù)訓練，讓機器不斷學習。當然，在實際應用領域中，也可以通過產(chǎn)品設計來減少較為模糊的問答內(nèi)容，以提升用戶體驗。

　　由于人工智能技術對數(shù)據(jù)依賴性極高，因此，這一領域的技術進步和產(chǎn)業(yè)化推進是一種協(xié)同關系——通過工程化的方法提升技術效果和體驗，從而促進產(chǎn)業(yè)化應用，再根據(jù)實際應用中的數(shù)據(jù)和反饋，反過來推動技術實現(xiàn)突破。那么，智能語音語義在產(chǎn)業(yè)化方面都有哪些應用領域，又存在哪些問題？

　　以問答和聊天為服務形式，智能語音語義在多個使用場景和行業(yè)領域都有廣泛應用，我們可以簡單從C端和B端兩個方向分別來看。

圖：語音識別/NLP技術應用領域

　　C端應用方面，主要用于移動設備、汽車、家居三大場景，用來變革原有人機交互方式；B端則針對垂直行業(yè)需求，提升人工效率，比如幫助醫(yī)生做電子病歷錄入，或代替部分人力工作，比如回答大部分簡單重復的客服問題。由于兩大領域解決的問題不同，因此遇到的挑戰(zhàn)也各不相同。

　　智能語音為C端提供了一種全新的交互方式，但應用和普及又跟具體場景和需求掛鉤。目前，三大場景中，移動設備中的智能手機，以及車內(nèi)語音交互應用最為廣泛。家居領域中，雖然各種家電企業(yè)也在廣泛布局，但實際使用情況并不理想。

　　智能語音語義在智能手機和可穿戴設備中的應用不盡相同�？纱┐髟O備雖然沒有屏幕或屏幕較小，更適合語音交互，但大多（比如智能手表）都是非生活必需品，本身銷量就很有限，再加上一些可穿戴設備并沒有太多交互需求，因此實際應用量較少。

　　智能手機中的各類應用軟件大多都配備了語音功能，但相比觸摸和文字交互，使用率也不算高。很多人仍然沒有經(jīng)常使用語音的習慣，或者還沒有使用語音的意識。究其原因，主要由于語音交互在效果和效率上都不夠理想。

　　從效果上看，語音在開放場景下識別準確率并不高。對于用戶來講，結(jié)果不可預期，產(chǎn)生錯誤后糾錯成本很高，所以寧愿打字。再者，用戶在手機端對于打字和觸摸已經(jīng)非常習慣，因此缺乏改變習慣的動力。

　　從效率上看，語音在智能手機和各類軟件上的應用主要以輸入、搜索和調(diào)取服務為主，輸入信息量并不大，而且大多移動應用都是基于觸摸和文字做的交互設計，有文字推薦、按鍵選擇等友好設置，因此原有交互方式本身已經(jīng)非常便捷，語音交互效果不好，容易出錯，并不能很好地提升效率。

　　目前，除了重度文字使用者，比如作家、記者、編輯等，對語音輸入和轉(zhuǎn)化有著剛性需求，其他人使用語音更多還是在無法打字或不方便觸摸時，比如走路、開車等情況下。不過，隨著語音識別和交互體驗不斷提升，會有越來越多的人在移動端使用語音。

　　由于人在車內(nèi)雙手和雙眼被占用，而需求又十分明確，因此智能語音成了這一場景下最合適的交互方式。

　　智能語音在車內(nèi)的應用主要以車載導航為主，輔以查詢和用車。對于業(yè)界熱炒的“以語音為入口連接各種服務，從而構(gòu)建車聯(lián)網(wǎng)生態(tài)”的暢想，目前看來還距離較遠。核心困難在于，整個行業(yè)尚未找到車內(nèi)場景下用戶的剛性、高頻需求�；蛟S等到自動駕駛汽車普及之后，人的雙手雙眼以及大腦解放出來，才有條件搭建包含各種服務的車內(nèi)生態(tài)。

　　對于涉足汽車領域的語音企業(yè)來說，當前最重要的是，把導航等剛性需求的體驗做到位，再去考慮如何延伸服務。

　　在家居場景下，智能語音應用主要圍繞智能電視、音箱、家用機器人展開，解決的需求包括搜片、聽歌、提醒、簡單交互、應用調(diào)取等。

　　亞馬遜Echo面世，帶動了語音交互在家居領域應用的熱潮。從2014年下半年至今，Alexa平臺應用數(shù)從最初20多個增加到7000多個，并在過去半年內(nèi)以每月1000個左右的速度增加。據(jù)CIRP報告估計，截止2016年11月，Echo累計銷量超過510萬臺，2016年Q1-Q3共銷售約200萬臺，較前三季度增長18%（2015Q2-Q4數(shù)據(jù)來源于Mary Meeker《2016互聯(lián)網(wǎng)趨勢報告》）。

圖：亞馬遜Echo銷量估計

　　家居環(huán)境的天然特性使得語音成為最合適的交互方式，類似于Echo Alexa這樣的平臺將吸引越來越多的應用，不斷豐富其產(chǎn)品功能，完整智能家居生態(tài)環(huán)境。隨著用戶習慣不斷養(yǎng)成，這樣的“智能家居控制中心”和“流量入口”有望快速普及，成為iPhone級爆款。不過，由于語音是一種全新的交互方式，除了技術所需的提升，各類應用在開發(fā)設計時還將面臨用戶體驗和價值考量等全新挑戰(zhàn)。

　　除了音箱、臺燈等小家電智能產(chǎn)品，家用機器人也成了創(chuàng)業(yè)者爭相押注的對象。擬生物形態(tài)智能產(chǎn)品的火熱某種程度上承載著人類對于機器人的美好愿望，但創(chuàng)業(yè)者還是要從價值和實用性角度考量其產(chǎn)品形態(tài)的設計邏輯。最終哪種形態(tài)的智能產(chǎn)品會“笑到最后”，還得市場說了算，但語音會成為家居交互主流這一點，已經(jīng)毋庸置疑。

　　值得一提的是，一些傳統(tǒng)家電，如空調(diào)、冰箱、洗衣機、抽油煙機等，也開始配備語音交互功能，事實上并不理性。無論是控制開關、調(diào)節(jié)設置，還是對話溝通，從現(xiàn)有技術水平所能解決的需求和效率來看，都價值有限，或許等到語音交互成本下降，效率提升，才有可能在各種家電終端上普及。不過更多行業(yè)人士傾向于認為，智能家電的語音控制要么通過一個中樞設備來進行，要么通過房屋前裝分體式設計來實現(xiàn)。

　　除了以上三大領域，商用服務機器人的逐漸成熟，有望為語音語義在商場、醫(yī)院等各類服務場所開辟新的應用領地，點餐機、訂票機等傳統(tǒng)形態(tài)服務設備也將會以語音這種全新的交互方式服務大眾，市場之廣闊，可想而知。

　　智能語音語義在B端的應用主要集中于客服、教育、醫(yī)療、旅游等領域。

　　客服作為勞動密集型行業(yè)，對于一些大公司來說，成本依然很高。智能機器人客服的出現(xiàn)可以在很大程度上解決簡單、重復性工作，幫助企業(yè)節(jié)省人工和坐席成本，提升運營效率。

　　由于客服問題主要聚焦在特定產(chǎn)品或單一垂直領域，因此需要企業(yè)擁有完整的結(jié)構(gòu)化知識庫，幫助機器人更好地查詢和匹配問答內(nèi)容。目前，按照行業(yè)平均水平，機器人客服可以解決70%左右問題，其余由人工處理。

　　機器人客服是主要戰(zhàn)場。從成立較早的智臻智能（小i機器人）、捷通華聲，到后來的圖靈機器人、智齒科技、驀然認知，以及從云客服轉(zhuǎn)型智能客服的UDesk等，都希望在智能客服市場分得一杯羹。

　　由于業(yè)務量大、付費能力強，且知識庫完整，金融、電信、航空公司等大型客戶成了智能客服的主要應用群體。要更好地滿足這些群體的需求，各家公司需要針對不同行業(yè)對算法和技術做相應的改進和優(yōu)化，在實際應用中，用更大的數(shù)據(jù)量去提升產(chǎn)品體驗和效果。

　　教育領域，包括中英文口語評測，以及部分教育機器人的交互功能�？拼笥嶏w作為智能語音和教育市場的龍頭企業(yè)，通過為一些全國性考試提供技術支持，已經(jīng)成為中英文口語測評方面的主要玩家。2016年底，科大訊飛與新東方聯(lián)合成立東方訊飛，用新東方的數(shù)據(jù)+訊飛的技術，推動教育、培訓、學習的智能化進程，智能語音測評技術有望在其中發(fā)揮重要作用。

　　在訊飛的廣泛布局之下，脫胎于老牌語音公司思必馳，后被網(wǎng)龍（HK00777）全資收購的馳聲科技，也通過2B2C的模式，在培訓、出版、考試服務、教育軟硬件等領域持續(xù)發(fā)力，欲通過中高考口語考試解決方案、人機英語對話模擬考輔系統(tǒng)打入學校市場。

　　體制之外，以英語流利說為代表的口語評測應用也廣受C端用戶好評。依靠四年時間積累的3000萬用戶數(shù)據(jù)、500萬小時練習錄音，流利說于2016年推出可替代口語老師的自適應移動英語課堂“懂你英語”，加上輔助在線答疑及外教上課，有望領先一步實現(xiàn)自適應口語學習的商業(yè)化落地。

　　智能語音在教育領域的價值，一方面在于提高教師工作效率，另一方面在于幫助學生提升學習效果。通過大量語音數(shù)據(jù)的積累，并和后端大數(shù)據(jù)分析、機器學習相結(jié)合，智能語音有望在機器輔助學習和自適應學習方面發(fā)揮重大作用，為教育行業(yè)帶來顛覆性變革。

　　醫(yī)療領域的應用目前主要是電子病歷錄入。醫(yī)生在臨床診斷時使用專業(yè)麥克風，可將診斷信息實時轉(zhuǎn)化成文字，錄入醫(yī)院HIS（Hospital Information System）系統(tǒng)，方便后續(xù)查詢和問答，提高醫(yī)生工作效率。

　　由于專業(yè)性強、識別難度高，國外語音巨頭Nuance最早主要是通過后臺人工轉(zhuǎn)寫，而隨著語音識別技術有了突破性進展，國內(nèi)智能語音在國內(nèi)醫(yī)療領域的應用也開始起步，訊飛和云知聲是該領域典型代表。

　　訊飛正在和安徽省立醫(yī)院、上交大附屬第六醫(yī)院南院以及北大口腔醫(yī)院等合作，讓醫(yī)生使用定制麥克風，通過定向和降噪，先將語音轉(zhuǎn)成文字，再用NLP技術對文字進行結(jié)構(gòu)化處理（比如分段），醫(yī)生只需再做簡單修改即可形成電子病歷。此外，訊飛還在醫(yī)療影像翻譯、醫(yī)療大數(shù)據(jù)分析方面展開布局，欲將AI技術廣泛用于智慧醫(yī)療領域。

　　云知聲的智能醫(yī)療語音錄入系統(tǒng)也已經(jīng)在協(xié)和醫(yī)院、西京醫(yī)院全院上線，目前全國約有70家醫(yī)院已經(jīng)完成系統(tǒng)測試。同時，其醫(yī)療語音技術還上線了“平安好醫(yī)生”20多個科室，讓醫(yī)生通過語音方式，更便捷地與患者進行線上溝通。

　　當前，語音在醫(yī)療領域的應用還處于語音轉(zhuǎn)文字的初級階段，在實際使用中的部分識別錯誤還需要醫(yī)生手動修改。不過，以語音為入口所積累的大量醫(yī)療數(shù)據(jù)會在未來產(chǎn)生巨大價值。此外，隨著醫(yī)療技術和語音分析技術的進步，通過聲音診斷病情也將成為可能。南加州大學已經(jīng)開發(fā)出一套新的機器學習工具，可以通過患者的特定語音特征，輔助醫(yī)生診斷抑郁癥等心理疾病。

　　由于金融行業(yè)帶有明顯的客戶服務屬性，加上完整而龐大的業(yè)務及數(shù)據(jù)積累，因此成為智能語音語義的重要應用陣地。當前，一些商業(yè)銀行已經(jīng)通過使用語音識別技術，實現(xiàn)了語音導航、語音交易、業(yè)務辦理等基礎服務。

　　除了在線客服和呼叫中心，智能語音技術還被應用于語音/語義分析、大數(shù)據(jù)挖掘、身份認證等領域。捷通華聲的智能語音分析系統(tǒng)就通過將語音數(shù)據(jù)轉(zhuǎn)化為文本，而后建立語義索引、自動提取特征關鍵詞，再對文本數(shù)據(jù)進行自動分類，生成結(jié)構(gòu)化的客服大數(shù)據(jù)，為銀行等金融機構(gòu)提供客服質(zhì)檢、大數(shù)據(jù)挖掘與分析服務。

　　此外，隨著聲紋識別技術的進步，智能語音也將被應用于金融領域的身份認證，通過語音認證實現(xiàn)業(yè)務辦理、支付等功能，未來有望和指紋、虹膜、人臉等其他生物特征識別方式一起使用。

　　除了上述四大領域，智能語音語義技術也逐漸滲透到安防、旅游、法律等行業(yè)，在效率效果提升、解放人力等方面發(fā)揮越來越重要的作用。

　　從業(yè)務和規(guī)模來看，語音語義類公司大致可分為三類：大型互聯(lián)網(wǎng)公司、行業(yè)技術巨頭、創(chuàng)業(yè)公司。

圖：智能語音語義行業(yè)業(yè)務模式對比

　　由于NLP是搜索引擎的關鍵技術之一，因此百度、搜狗自然而然地成為頭號玩家。兩家公司依托其強大的搜索引擎和輸入法應用，不僅將語音技術用于自身產(chǎn)品，還通過與行業(yè)其他技術和產(chǎn)品提供方合作，推出面向C端的產(chǎn)品和應用。比如，搜狗聯(lián)合四維圖新、飛歌等，推出全語音交互的車載導航產(chǎn)品，百度度秘攜手小魚在家，推出Duer OS以及家用視頻對講機器人。

　　由于互聯(lián)網(wǎng)公司擅長直接服務用戶，因此不會輕易涉足教育、金融等傳統(tǒng)垂直行業(yè)，而是會把重心放在消費類產(chǎn)品和應用上，其模式主要包括2C和2B2C兩種，最終都會落地到消費領域。

　　技術類公司中，科大訊飛一直以來都是做2B業(yè)務，向教育、電信、客服、政府等垂直行業(yè)輸出語音合成和識別技術，經(jīng)過十多年積累，訊飛已經(jīng)積累了相當大的市場份額。近兩年，訊飛一方面在智能車載、智能家居、智能機器人等新興市場加大布局，另一方面也在努力向消費端傾斜，通過訊飛語音輸入法、錄音寶等產(chǎn)品打入C端市場，逐漸加強品牌認知度。因此，其商業(yè)模式既有2B、2C，也有2B2C。

　　其他技術類創(chuàng)業(yè)公司大多以2B或2B2C為主。比如，云知聲的智能醫(yī)療業(yè)務完全2B，而智能車載和智能家居則是2B2C。值得注意的是，出門問問作為一家擁有智能語音語義技術的公司，獨樹一幟地選擇了2C模式，通過智能手表、智能后視鏡以及智能語音助手等產(chǎn)品和應用，直接切入消費級市場。

　　NLP技術公司也包括2C和2B兩種模式。語音助手和聊天機器人等2C產(chǎn)品，無論是技術還是產(chǎn)品都不成熟，因此并不適合創(chuàng)業(yè)公司做。圖靈機器人從最早的蟲洞語音助手，轉(zhuǎn)型到2B的語義平臺和操作系統(tǒng)，也說明了這一問題。聊天機器人由于使用場景和需求尚不明確，目前仍是微軟等大公司在探索和嘗試。相較2C，2B對于創(chuàng)業(yè)公司來說是一條更現(xiàn)實的路，可以在技術發(fā)展早期段彌補產(chǎn)業(yè)薄弱環(huán)節(jié)。

　　截止當前，在智能語音語義領域，除了訊飛擁有多年技術積累，在某些前沿技術上處于領先水平，其他互聯(lián)網(wǎng)公司和創(chuàng)業(yè)公司在技術上并沒有本質(zhì)差別，技術本身已經(jīng)不足以成為其核心競爭力，大多公司很難單純依賴技術建立成熟可靠的商業(yè)模式。

　　要想更好地實現(xiàn)商業(yè)化，這些公司只能通過往上下游延伸來創(chuàng)造價值。上游可以把語音和搜索引擎結(jié)合起來，為垂直行業(yè)提供內(nèi)容和服務，下游可以把語音和硬件產(chǎn)品相結(jié)合，依靠產(chǎn)品銷售實現(xiàn)營收。哪怕是訊飛這樣擁有前沿技術的大公司，也在向垂直行業(yè)和產(chǎn)品延伸，來挖掘新的利潤增長點。

　　教育、金融、客服等領域需要和行業(yè)進行高度定制，大型互聯(lián)網(wǎng)公司不會輕易涉足，因此會成為技術類公司的主要陣地。但是在智能車載、智能家居、智能機器人等2B2C甚至2C的領域，技術類創(chuàng)業(yè)公司則要面對互聯(lián)網(wǎng)公司的直接競爭。因為，互聯(lián)網(wǎng)企業(yè)具有天然的C端優(yōu)勢。

　　首先，無論是通過自有2C產(chǎn)品，還是借助合作，大型互聯(lián)網(wǎng)公司依靠其龐大的用戶量、大量真實場景下的數(shù)據(jù)積累、以及背后強大的搜索引擎和完整的知識庫，可以極大提高語音識別在真實環(huán)境下的識別準確率，以及語義分析和理解能力。

　　其次，互聯(lián)網(wǎng)公司擁有豐富的C端產(chǎn)品經(jīng)驗，加上對用戶消費數(shù)據(jù)的迭代，能夠更好地提升產(chǎn)品體驗。對于體驗至關重要的消費端，一旦產(chǎn)品或應用形成良好的行業(yè)口碑，快速的走量也會水到渠成。

　　當然，巨頭的優(yōu)勢并不能阻擋創(chuàng)業(yè)公司的成長機會，通過深耕垂直領域和細分賽道，實現(xiàn)自我造血和快速成長，創(chuàng)業(yè)公司也有機會在這一新興產(chǎn)業(yè)中逐漸做大。接下來，隨著語音識別和NLP技術的逐步成熟，智能汽車、智能家居、智能機器人產(chǎn)業(yè)的日漸完善，定會有一批優(yōu)秀的技術類公司在智能語音產(chǎn)業(yè)的浪潮中順勢而起。

　　愛分析是一家專注于創(chuàng)新企業(yè)研究和評價的互聯(lián)網(wǎng)投研平臺。愛分析以企業(yè)價值為研究內(nèi)核，以獨特的產(chǎn)品形態(tài)，對創(chuàng)新領域和標桿企業(yè)長期跟蹤調(diào)研，服務于企業(yè)決策者、從業(yè)者及投資者用戶群體。關注愛分析公眾號ifenxicom，及時獲取重要信息。