鈦媒體注：亞馬遜、蘋果、谷歌正在以數(shù)十億的資金投入，試圖將語音識別轉變?yōu)槿祟惻c互聯(lián)網(wǎng)溝通的主要方式。隨著智能音箱等語音智能家用設備的普及，硅谷的科技巨頭們正在進行著一場激烈的博弈。

本文來自于雜志《財富》，由譯指禪（yizhichan007）編譯，譯者：Joanna Hao，鈦媒體經(jīng)授權轉載。

亞馬遜在短短的四年之前還只是一個在線零售商，和公司在線網(wǎng)絡托管的主要供應商，它還銷售自己的電子消費產(chǎn)品系列，其中包括Kindle電子閱讀器，這在當時是一個大膽的嘗試。

如今，由于無處不在的亞馬遜Echo智能音箱及其Alexa語音識別引擎，亞馬遜激發(fā)了自喬布斯推出蘋果手機以來個人計算機和通信領域的最大轉變。

起初這一切似乎都是很新奇的。亞馬遜在2014年11月首次推出了Echo智能音箱，一種使用人工智能接收人類詢問的高科技精靈，它可以在互聯(lián)網(wǎng)數(shù)據(jù)庫中掃描數(shù)百萬字，并提供各種各樣的答案。

目前，亞馬遜在總共賣出約4700萬套Echo設備后，Echo同時服務著80個國家的消費者，平均每天處理1.3億個問題。Alexa是以古埃及圖書館Alexandria命名的，它可以接受音樂請求，提供天氣預報和體育比分信息，并遠程調節(jié)用戶的恒溫器等。它還可以講笑話：回答瑣碎問題，甚至是一些幼稚的小伎倆。

語音識別技術并不是亞馬遜發(fā)明的，這種技術已經(jīng)存在了幾十年。亞馬遜也不是第一個提供主流語音應用的科技巨頭。早在Alexa之前，蘋果公司的Siri智能語音助手和Google Assistant谷歌語音助手早已經(jīng)出現(xiàn)。

在亞馬遜推出Alexa的同時，微軟也推出了Cortana（微軟小娜）人工智能助理。但隨著Echo智能音箱的廣泛成功，亞馬遜潛移默化地引發(fā)了一場“智能”家用設備市場的激烈競爭，這場競爭可以使語音識別產(chǎn)品像個人電腦或智能手機對人類一樣發(fā)揮非常重要的作用。

就像谷歌的搜索算法徹底改變了信息消費，并顛覆了廣告業(yè)一樣，人工智能驅動的語音計算使得類似轉變成為可能。亞馬遜Alexa首席科學家Rohit Prasad說，“我們希望消除與客戶的摩擦，最自然的方式就是通過聲音。它不僅僅是一個能提供一堆結果的搜索引擎，它還會告訴你答案。”

亞馬遜Alexa 首席科學家兼副總裁Rohit Prasad

人工智能與全新語音驅動的用戶體驗的強大組合，使得這場戰(zhàn)爭已不僅僅是圣誕節(jié)期間搶占最熱門玩具的競爭。谷歌，蘋果，F(xiàn)acebook，微軟，以及其他公司都在向競爭產(chǎn)品注入資金。

事實上，投資公司Loup Ventures的Gene Munster估計，科技巨頭們將會花費年度研發(fā)預算的10％用于語音識別，總計超過50億美元。他稱語音技術的出現(xiàn)是計算機運作的“巨大變化”，并預測語音命令正迅速成為“我們與互聯(lián)網(wǎng)互動的最常見方式，而不是通過鍵盤或手機屏幕�！�

賭注如此之高，競爭激烈也不足為奇。 根據(jù)研究公司Canalys的數(shù)據(jù)顯示，亞馬遜最早進入市場并處于領先，在全球連接音箱市場占據(jù)42％的份額。

谷歌也毫不遜色，與Echo外觀相似、由谷歌智能助理提供支持的家庭設備系列占有34％的份額，并且谷歌最近也反超亞馬遜。蘋果HomePod智能音箱因為價格昂貴和最后進入市場而位于第三。

Facebook在10月份也推出了Portal音頻和視頻設備系列，可以完成主要競爭對手的部分語音識別任務，尤其是Alexa。

目前連接音箱和類似設備的市場規(guī)模龐大并且不斷增長- 但對于技術巨頭來說，這不一定是最戲劇性增長的機遇。研究公司全球市場洞察(Global Market Insights)將2017年全球智能音箱銷售額定為45億美元，預計到2024年這一數(shù)字將增長至300億美元。

然而硬件收入并沒有計算在內(nèi)。例如，亞馬遜對Echo智能音箱的定價標準是盈虧平衡甚至更低的價格。去年假日期間亞馬遜推出的簡易版智能音箱Echo Dot售價為29美元，ABI Research認為這個價格比設備部件的成本還要低。

相反，每個主要參與者都采取了一種策略，即在某種程度上將客戶鎖定到其他商品和服務上的更大目標。

例如，亞馬遜使用Echo系列來增加其Prime會員訂閱服務的價值。谷歌希望語音搜索能夠豐富已經(jīng)相當龐大的數(shù)據(jù)庫，最終為其廣告業(yè)務提供支持。蘋果通過Siri，將手機、電腦、電視控制器聯(lián)系在一起，甚至將汽車制造商和車載系統(tǒng)軟件捆綁在一起。

正如所有投資和快速發(fā)展的革新一樣，現(xiàn)在預測誰將獲勝還為時過早。但可以肯定地說，該行業(yè)已經(jīng)圍繞這樣一種觀念進行了合作，即依賴于人工智能的語音技術將會是未來的用戶界面。

它必將是一個會對普通人生活產(chǎn)生深遠影響的技術。負責監(jiān)管谷歌智能助理產(chǎn)品設計的副總裁Nick Fox說，“通過語音可以做各種各樣的事情，識字能力較差的人能操作該系統(tǒng)。

正在駕駛的人也能操作該系統(tǒng)。人們在烹飪時通過該系統(tǒng)可以找到菜譜。每隔一段時間，技術就會發(fā)生一次構造性的轉變，我們認為語音技術就是轉變之一。”

盡管如此，語音識別仍處于起步階段。與研究人員的期望相比，語音技術的應用還處在滿足基本需求的階段，并且有很大的上升空間。

關于科技公司竊聽客戶信息以及如何合法使用收集的用戶數(shù)據(jù)等問題，擔憂依然存在�！坝萌斯ぶ悄茏R別語音，我們已經(jīng)從雙翼飛機時代進入噴氣式飛機時代，”華盛頓大學電氣工程教授、語言技術世界頂尖科學家之一的Mari Ostendorf指出，計算機已經(jīng)善于回答直截了當?shù)膯栴}，但在實際對話方面仍有欠缺。

“人工智能技術在語音識別單詞和理解命令方面，就數(shù)量而言已經(jīng)令人印象深刻。但我們還沒有進入火箭時代�！�

數(shù)十年來，語音識別已成為下一個殺手級應用。在20世紀50年代，貝爾實驗室創(chuàng)建了一個名為Audrey的人工智能系統(tǒng)，可以語音識別從1到9的數(shù)字。

在20世紀90年代，PC用戶安裝的Dragon NaturallySpeaking語音識別軟件，已經(jīng)可以處理簡單的語音識別，不需要說話者在每個單詞后停頓。但直到2010年蘋果公司在蘋果手機上發(fā)布了Siri，消費者才意識到與大規(guī)模計算能力相關的語音識別引擎能夠實現(xiàn)什么。大約在同一時間，亞馬遜，在首席執(zhí)行官Jeff Bezos一個真正的星際迷航狂熱愛好者的領導下- 開始夢想復制星艦進取號上的可以與人對話的電腦。

曾發(fā)表過100多篇人工智能對話文章、亞馬遜現(xiàn)任職員工Prasad說道“我們設想的未來是，你可以通過語音與任何服務進行互動，” Alexa實現(xiàn)了這一點，使消費者與亞馬遜溝通變得更為簡便。

語音識別技術的進步，伴隨著計算能力的進步，即計算能力更快，更便宜，更普遍，因此更主流- 亞馬遜，谷歌，蘋果和其他公司可以更輕松地構建一個無縫網(wǎng)絡，通過語音將智能家居設備與其他系統(tǒng)連接起來。

例如，蘋果CarPlay車載用戶可以通過Siri將最新一集“權力的游戲”在蘋果電視上作為“下一個”播放，并且命令HomePod智能音箱在用戶到家后播放。

兩年前，谷歌發(fā)布了支持語音的Home智能家居設備，它將音樂產(chǎn)品，YouTube與最新的Pixel手機和平板電腦聯(lián)系在一起。換句話說，每個科技巨頭都將語音技術視為它們創(chuàng)造更多數(shù)字產(chǎn)品的敲門磚。

科技巨頭各自獲利頗豐，因此能夠為研究和營銷提供充足的資金，從而實現(xiàn)更多新產(chǎn)品。例如，蘋果和谷歌分別擁有兩大主流移動操作系統(tǒng)iOS和安卓。這意味著Siri和谷歌智能助理幾乎可以預裝在所有的新手機上。相比之下，亞馬遜則需要消費者將Alexa應用程序安裝在手機上，然后才能在他們的蘋果或安卓設備上打開。

前華爾街計算機公司分析師、現(xiàn)任Loup公司的Munster說，“這個額外的步驟使得亞馬遜處于明顯的劣勢�！毕啾戎�下，激活Siri和谷歌智能助理只需說出它們的名字�！�

也就是說，iOS和安卓對所有第三方開發(fā)者開放，而亞馬遜就是第三方開發(fā)者其中之一– 這也意味著所有開發(fā)人員都可以在這兩個平臺上編寫Alexa程序。 Bezos在今年早些時候發(fā)布的一份財報中表示，“超過150個國家/地區(qū)的數(shù)萬名開發(fā)人員”正在構建Alexa應用并將其整合到非亞馬遜的設備中。實際上，合作是語音應用的關鍵。

谷歌搜索和GoogleAssistant副總裁NickFox

亞馬遜將Alexa內(nèi)置于搜諾思(Sonos)的“回音壁”、捷波朗(Jabra)的耳機以及寶馬，福特和豐田汽車中。谷歌加強與音頻設備制造商索尼和Bang＆Olufsen的合作，并且聯(lián)合智能系統(tǒng)August智能鎖和飛利浦LED照明系統(tǒng)進行合作。

Apple允許其HomePod智能音箱與First Alert安全系統(tǒng)，以及霍尼韋爾(Honeywell)智能恒溫器配合使用。谷歌的Fox說，“這些合作的好處在于，我們可以將語音連接到整個智能家電的生態(tài)系統(tǒng)中。我無需打開手機找到應用程序，直接對設備說，'告訴我誰在我的門前'，攝像頭的影像就會彈出來。因為統(tǒng)一，所以簡單。”

長期以來，人工智能一直是反烏托邦流行文化的主要內(nèi)容，尤其以“終結者”和“黑客帝國”為代表的電影，其中邪惡且聰明的機器人的崛起對人類構成威脅。值得慶幸的是，這還不是我們的現(xiàn)實。但隨著人工智能的進步和計算成本的降低，這樣令人印象深刻并且未來感十足的應用已經(jīng)成為現(xiàn)實。

語音識別程序通過互聯(lián)網(wǎng)可以連接到數(shù)據(jù)中心，這些復雜的數(shù)學模型是經(jīng)過公司花費數(shù)年時間編制并通過識別不同語音模式而篩選出的大量數(shù)據(jù)。語音識別程序可以通過分析呼叫中心人員與客戶交談的記錄或通過與數(shù)字助理的交互，來識別詞匯、區(qū)域口音、口語和語境。

語音識別系統(tǒng)同樣依賴于物理學和計算機科學。語音在空中產(chǎn)生振動，語音引擎將其視為模擬聲波，然后轉換為數(shù)字格式。然后，計算機可以分析該數(shù)字數(shù)據(jù)的含義。人工智能首先通過檢測客戶選擇的“喚醒詞”（例如“Alexa”）來確定聲音是否指向其系統(tǒng)來增強流程。

然后，他們從之前數(shù)百萬其他客戶那里所積累的模型對接收到的問題做出高度準確的猜測。“語音識別系統(tǒng)首先是識別聲音，然后通過上下文進行解讀，”谷歌智能助理項目副總裁Johan Schalkwyk解釋道。

“比如我說，'在......天氣怎么樣，'，人工智能就會知道下一個詞會是國家或城市。我們的數(shù)據(jù)庫中有500萬個英語單詞，在沒有上下文的情況下識別500萬單詞中的一個單詞是非常困難的。但如果人工智能知道你是在問一個城市，然后就變成在3萬個英語單詞中檢索的任務，這樣準確率更高�！�

計算能力使系統(tǒng)有多種學習機會。為了讓Alexa開啟微波爐– 這是一個真實的例子- 語音引擎首先需要了解命令，這意味著它要有學習破解各種各樣的口音的能力，比如濃重的南方口音，兒童的高音，非母語人士的發(fā)音等等，還要能同時過濾背景噪音，比如在收音機上播放的歌詞。

然后，語音引擎還必須了解人們可能要求使用微波爐的各種方式：“加熱我的食物”，“打開我的微波爐”，“將食物加熱兩分鐘�！盇lexa和其他語音助手將類似命令在數(shù)據(jù)庫中進行匹配，從而“學習”“加熱我的食物”是特定用戶將來可能會詢問的方式。

語音發(fā)展史

語音識別技術能夠迅速發(fā)展的部分原因是因為它已經(jīng)非常精通如何將人類命令轉化為行動。谷歌的Schalkwyk表示，他們公司的語音引擎現(xiàn)在的響應率已達到了95％，幾乎與人類聽力準確度相同，而在2013年此響應率只有80％。

最近在該領域取得的最大成就之一，就是過濾掉背景噪音，這對最敏銳的人耳來說也是難題。然而，只有回答像例如“碟中諜什么時候上映？”這種簡單問題時，系統(tǒng)才能達到這個水平。而如果向谷歌智能助理或Alexa詢問意見或嘗試進行對話的時候，設備很有可能會給出一個預先編寫的滑稽答案或簡單地說：“嗯，我不知道答案。”

對于消費者而言，語音驅動設備是非常有用的。它們在與數(shù)據(jù)中心的計算機連接之后，體積雖小但卻是極其高效的數(shù)據(jù)收集器。

據(jù)消費者情報研究合作伙伴稱，大約60％的亞馬遜Echo和谷歌Home用戶至少有一個家用設備，如恒溫器、安全系統(tǒng)或設備。語音家用設備可以記錄用戶日常生活的各個方面。無論是通過其他設備，訂閱服務還是代表其他商家做廣告，亞馬遜，谷歌和蘋果積累的數(shù)據(jù)越多，從而可以更好地為消費者提供服務。

商業(yè)機會其實很簡單。將Echo智能音箱連接到恒溫器的消費者，可能會接受購買智能照明系統(tǒng)的建議。盡管這可能會讓隱私權倡導者聽起來令人毛骨悚然，但科技巨頭們正站在個人數(shù)據(jù)的寶庫之上，更好地向消費者推銷產(chǎn)品。

與他們的總體戰(zhàn)略一樣，科技巨頭采取不同的方式進行數(shù)據(jù)收集。亞馬遜表示，使用Alexa收集的數(shù)據(jù)，可以使軟件更智能，從而對客戶更有用。

Alexa做得越好，客戶就越能看到其產(chǎn)品和服務的價值，包括Prime會員計劃。雖然亞馬遜正在大力推廣廣告- 研究公司eMarketer預計該公司將在2018年從數(shù)字廣告中獲得46.1億美元– 一位發(fā)言人稱亞馬遜目前尚未使用Alexa數(shù)據(jù)來銷售廣告。谷歌公司，考慮到其巨大的廣告業(yè)務，也沒有將語音定位為廣告機會。蘋果公司之前大肆宣揚的不愿意利用客戶數(shù)據(jù)來獲取商業(yè)利益，以HomePods的問世而終結。

盡管亞馬遜早期賣點之一是銷售產(chǎn)品，人們并不會要求他們的設備實現(xiàn)輔助購物功能。亞馬遜不會公布有多少Echo用戶使用該設備購物，但最近由Codex Group咨詢公司對購買書籍用戶的調查表明，輔助購物功能仍處于早期階段。

數(shù)據(jù)顯示只有8％的人使用Echo購買書籍，而13％的人用它來聽有聲讀物。“人們是習慣性的動物，”研究公司Canalys的技術分析師Vincent Thielke說，當你想買一個咖啡杯時，很難對智能音箱描述清楚你的想法�！�

亞馬遜表示確實沒有過度關注將Echo作為輔助購物工具，特別是考慮到如何將該設備與其通過Prime訂閱提供的其他服務聯(lián)系起來。

盡管如此，亞馬遜仍然希望日益優(yōu)化的計算機技術能夠提升其零售業(yè)務。亞馬遜的自然語言處理科學家Prasad說，“如果你想購買雙A電池，你不需要看到它們，你也不需要記住參數(shù)。參考購物歷史即可。如果您以前從未購買過電池，我們當然也會推薦亞馬遜品牌的電池。”

促進購物遠不止替代電池的銷售，特別是許多商家希望與科技巨頭合作并利用其相關的平臺。研究公司OC＆C Strategy Consultants預測，到2022年，Echo，Google Home及其同類產(chǎn)品的語音購物銷售額將從目前的20億美元增加到400億美元。音箱的重要演變有助于解釋這一現(xiàn)象。

亞馬遜和谷歌現(xiàn)在都提供帶屏幕的智能家居設備，更像是小型電腦和電視機的結合，因此更適合在線購物。亞馬遜在2017年春季推出了售價230美元的Echo Show觸摸屏智能音箱。

與其他Echo設備一樣，Echo Show也預裝了Alexa，但同時用戶能夠看到圖像。這意味著購物者可以看到他們訂購的產(chǎn)品以及他們的購物清單、電視節(jié)目、音樂歌詞、安全攝像頭的圖像，甚至度假的照片，所有這些都無需按任何按鈕或操作電腦鼠標。

就零部件而言，谷歌已經(jīng)在與四家消費電子制造商合作，其中一些制造商最近開始銷售谷歌智能助理的集成智能屏幕。另外，聯(lián)想智能顯示器與的Facebook Portal外觀類似。

而Facebook Portal的零售價為250美元，與JBL Link View智能顯示器的價格相同。LG計劃推出ThinQ View觸摸屏智能冰箱。谷歌在今年10月以149美元的價格開始銷售配備7英寸屏幕的Home Hub智能家居控制。

從長遠來看，谷歌認為增加屏幕可以讓語音購物變得更容易。與亞馬遜直接銷售產(chǎn)品不同的是，谷歌的購物網(wǎng)站將零售商與谷歌搜索引擎連接在一起。它已經(jīng)將Google Home智能家居設備作為購物工具。

例如，谷歌與星巴克合作，用戶只需告訴谷歌智能助理訂購“我經(jīng)常訂購的飲品”，訂單在用戶到達時就已經(jīng)準備好了。

去年，谷歌鞏固了與全球最大零售商沃爾瑪?shù)暮献骰锇殛P系。購物者只需將他們現(xiàn)有的沃爾瑪在線帳戶連接到谷歌的購物網(wǎng)站，即可在Google Home智能家居設備瀏覽喜歡的跑鞋是否有貨，預定當天提貨的平板電視，或者找到最近的沃爾瑪商店。

視覺識別技術的加入會使在這些設備上的購物體驗更加便捷。視覺識別技術目前已經(jīng)長期用于在人群中匹配罪犯面孔。今年9月，亞馬遜宣布正在與Snapchat一起測試應用程序，該應用程序可讓購物者用Snapchat的相機拍攝產(chǎn)品或條形碼，然后在屏幕上看到亞馬遜網(wǎng)上商店的產(chǎn)品頁面。

不難想象，下一步的購物體驗將會是使用嵌入在Echo Show的相機拍攝用戶想要購買產(chǎn)品的照片，然后在屏幕上就可以看到相同或類似的產(chǎn)品信息，價格，評價，是否可以使用Prime兩天免費送貨。

語音技術雖然令人振奮，但這種技術可能會讓非技術愛好者花一點時間習慣如何才能與機器對話�？萍季揞^目前還不是最受信賴的公司，他們需要說服消費者設備不會被惡意竊聽。智能音箱只有在檢測到“喚醒詞”時才會進入聆聽模式，例如“Alexa”或“Hey, Google”。今年5月，亞馬遜將波特蘭一位高管與妻子關于硬木地板的對話錯誤地發(fā)給了他的員工。亞馬遜為此公開道歉，稱設備“誤解”了這次談話。

語音輸入產(chǎn)生的錯誤可能遠遠超過打字輸入產(chǎn)生的錯誤這可能還會對商業(yè)經(jīng)濟造成影響。

去年，達拉斯的一位6歲女孩在和Alexa談論餅干和娃娃屋的幾天之后，她家收到了4磅餅干和170美元的娃娃屋。亞馬遜表示，Alexa的家長控制功能如果使用得當?shù)脑�，可以防止類似事件發(fā)的生。

語音技術隨著社會的發(fā)展會越來越普及。目前已經(jīng)有超過1億臺語音設備成功安裝并處于聆聽模式，語音成為人與機器進行交流的主導方式只是時間問題- 即使談話只是一些雜亂的聲音而已。