专访 | 语音助手的涅槃关头，我们应该完全抛弃屏幕还是选择“语音+图形界面”？

2017 年 4 月 18 日 AI科技评论

AI科技评论按：距离苹果Siri的推出已经快6年了，期间很多智能手机厂商也纷纷将语音助手列为卖点之一，但是其使用率一直不高，究其原因，还是语音助手的功能有限。不过随着深度学习带来的技术进展，以及亚马逊的Alexa的大获成功，智能语音助手获得了前所未有的关注，很多人都认为，语音将是下一个流量入口。

上周，乐视推出了带有智能语音助手的手机，这款手机搭载的语音助手就是去年AI科技评论曾报道过的创业公司奇点机智的产品——“小不点”。对此，AI科技评论对奇点机智联合创始人林德康进行了专访。

奇点机智联合创始人：林德康

林德康，前Google高级管理科学家（senior staff research scientist），主攻自然语言处理。在加入Google之前，林德康是加拿大Alberta大学计算机教授，发表过逾90篇论文、被引用超过12000次，他也是华人圈少数几个国际计算语言学会ACL Fellow之一。

“小不点”宣传视频

奇点机智成立于2014年11月，两位创始人邬霄云和林德康曾在谷歌工作，并且在自然语言处理方面都有着深厚的技术和经验积累，该公司曾先后入驻微软创投加速器（MVA）第六期、以及TechCode孵化器。至于为何会选择做语音助手？林德康表示，最主要的目的并不是因为门槛的降低，而是因为语音助手确实有用。

虽然都是语音助手，但是“小不点”和苹果的Siri、微软的Cortana等不同。传统语音助手除了能够执行系统级别的功能，比如设置闹钟、打电话等，功能十分有限，更像是一个“搜索引擎”；“小不点”则抛弃了业界流行的单独的语音对话界面，转而帮助用户用语音来更便捷地操作手机里的各种APP，比如发微信红包、打车、定外卖等，更像是一个“动作引擎”。

因此，使用小不点的用户虽然是用语音在与手机交互，但是同时也在与手机的图形界面进行交互，这就是林德康提到的CGUI——Conversational Graphic User Interface。

为什么苹果Siri推出多年，功能依然十分有限？

对于小不点来说，其与同类产品最大的不同可能就是最后的实现过程了。

目前市面上大多数的语音助手度需要集成第三方应用的API，才能实现调用功能，然而这一方法存在很大的弊端，因为这会涉及到与第三方APP之间的谈判，覆盖的速度会很慢，而且很多语音助手都想将其他APP的功能集合到自己的界面之中，因此开发者们往往会有抵触情绪，这也是为什么苹果Siri这样的语音助手在推出这么多年之后，功能依然十分有限的原因之一。

用小不点发微信红包

而小不点则是使用了安卓系统里面针对视障用户的Accessibility辅助功能，可以直接读屏，然后实施虚拟点击操作，因此不需要调用第三方APP的API。比如用微信发红包，用户说完“给XXX发10块钱的红包”之后，小不点就会打开微信，并查找联系人，然后跳转到微信发红包的界面，并预填好10块钱的金额，你需要做的只是确认发送。

不过，林德康表示，他们并不排斥接入第三方APP的API。

此外，小不点还有一个比较智能的学习功能。你可以通过这个功能教会小不点实现目前还不能完成的操作，而且小不点在学会之后，其他的用户未来也有可能使用这一功能。据悉，奇点机智已经为这一独特功能申请了专利。

比如，如果你想让小不点学会帮你“点一杯咖啡”，那么你可以直接告诉它“学习点一杯咖啡”，激活自动学习的功能，接下来你就可以开始按平常的步骤进行操作，并在所有操作完成后点击“结束学习”即可。由于小不点会记录这些操作过程，因此下一次只需要对它说“点一杯咖啡”即可自动完成所有步骤。（以下是在乐视手机上的演示视频）

由于以上两点优势，小不点能够在很短的时间内覆盖尽可能多的APP。据奇点机智透露，小不点目前已经覆盖了50多款常用的APP，具备上百种功能。

虽然目前小不点的公开版本还只能实现一轮对话，并不能一直在后台聆听，但是其内测版已经实现了多轮对话，可以通过语音实现连续操作，而不需要重新激活。（如以下视频所示）

「给小乐发微信」 ->「发送我在这里你快过来」->「发送我的位置」->「发送XXX和OOO的名片」->「视频聊天」

背后的技术

1. 语音识别

虽然奇点机智是一家创业公司，而且小不点研发周期也只有1年多的时间，但是林德康表示，目前小不点并没有采用第三方的语音识别技术，而是奇点智能一个5人左右的团队自己研发的，而且采用的就是谷歌的TensorFlow框架。

林德康向AI科技评论透露，其实之前小不点曾采用百度语音服务来进行语音识别，后来才选择自己做。为什么呢？原因有以下几点：

如果使用第三方的语音识别的话，首先需要将音频传过去，然而传回来的一般就只有一句话。但是实际上在这句话有很多的可能性，而第三方只会在众多可能性里挑选一个它认为最好的传回来。但是如果是自己能够掌控这一过程的话，就可以将众多可能性先预留着，然而再下一步的时候看哪一种其实更说得通。
采用自己的语音识别技术可以针对某些特定场景进行优化，比如在识别微信通讯录里的人名的时候，如果采用第三方接口，不一定能够识别正确，但是如果是自己的语音识别技术，系统就可以参照通讯录里面的名字进行实时更正。
由于深度学习这一革命性进步的出现，让语音识别领域重新洗牌，几乎所有玩家都站在了同一起跑线上，大幅降低了后进者的门槛。因此虽然奇点机智起步较晚，但是实际上的技术差距并不大。

不过一个小团队的一年的努力，真的能够与大公司相比吗？虽然林德康并没有给出用来衡量语音识别的词错率（word error rate）的具体数值，但是他表示，在实测体验的过程中，两者表现差不多。不过，目前小不点只支持普通话，并不支持方言。

除了不断地投喂数据，训练语音识别的算法模型之外，还有哪些方法可以提高语音识别的正确率，降低用户在使用过程中的挫败感呢？林德康举了一个例子。他表示，研发会根据APP的名字来优化语音识别的准确率。比如“摩拜单车”的“摩拜”两个字在通用语料库里可能并不是排名最高的，但是对于小不点的用户来说，可能大部分时候指的就是“摩拜”，因此在优化时，他们会将这点考虑进去，来提高用户的使用体验。

而且作为一家小团队，奇点机智除了购买训练语音识别模型所需要的标记数据之外，还专门开发一款APP，让员工利用碎片时间，来专门标注训练所需要的数据。

2. 语义理解

由于公司的两位创始人都有NLP（自然语言处理）的背景，因此在这一部分会有一些优势。林德康在回国之前就是谷歌做自动问答系统的，他表示其中有很多东西都是类似的。

比如实体识别，包括人名、地名、电影名等专有名词，这些都是最基本的，但是要理解整句话的意思的时候，就需要推理功能了。比如当你说“我想去成都”，那么我们可能就会给你用携程等软件搜寻火车票或者机票，如果你说“我想去积水潭医院”，那么我们可能就会用打车软件给你预订车辆。因此只是将一个个的关键词列出来是不行的，还必须将每个词进行分类，然后根据词的表达结构做推理，才能真正理解用户的意图。

林德康认为，做自然语言理解最怕的就是边界，比如Facebook的Messenger Bot聊天机器人，里面上下文的关联太多。而做小不点这种类型的语音助手相对容易一些，虽然语音助手的可能性也非常多，但是它能做的东西是有限的，因此是存在边界的，比如不会用户不可能用携程去交水费。

语音助手的未来：语音+图形界面

2014年11月，奇点机智获得了徐小平100万美元的天使轮融资；去年3月底，奇点机智又获得了襄禾资本和NEA资本500万美金A轮融资。虽然已经获得两轮融资，但是作为一家创业公司，未来的盈利模式很显然也是需要考虑的事情。

林德康表示，目前团队的注意力主要集中在打磨产品，争取与更多的手机厂商合作，未来还会推出独立的APP，暂不考虑盈利的事情。

据AI科技评论了解，由于奇点机智不会向合作的手机厂商收取费用，未来很可能会通过为第三方APP提供流量入口来获取盈利。比如目前用户想通过小不点来订餐，但是在用户没有指明APP的情况下，小不点会默认打开“饿了么”，如果你的手机里面没有饿了么，那么就会跳转到饿了么的下载页。当然，你可以直接告诉小不点，你想通过美团或者百度来定外卖。

对于语音助手未来的发展前景，林德康虽然也认同语音是下一个流量的入口，但是他认为“语音+图形界面”才是未来，而不是Alexa那种完全抛弃屏幕的做法。

虽然林德康表示，利用模拟点击来实现语音操控APP的功能是小不点的首创，但是近日网上流传出来的演示视频显示，三星的智能语音助手Bixby采用的也是和小不点相同的方式，这也从侧面验证了奇点机智方向的正确性。

不过，目前计算机还无法真正理解人类的自然语言，这也是为什么就连Facebook、谷歌等科技巨头的聊天机器人想要实现多轮对话依然十分困难，据外媒报道，Facebook的虚拟助理M和Messenger bot的进展很不顺利，其中M能够正确回应的请求只有 30%，使用情况令人失望。因此，奇点机智的这条路或许没有很高的技术门槛，但是却更加实际。

报名 |【2017 AI 最佳雇主】榜单