Neural Network Learns to Generate Voice (RNN/LSTM)

home8 物聯網智慧家庭好安心

來源「聲學在線」，作者茄子

亞馬遜的Echo大賣掀起了一股語音智慧的熱潮，語音交互技術成為炙手可熱的時代寵兒。在日新月異的科技領域，眼看則人工智慧將要引領一番新的革命，互聯網巨頭和科技創業公司都紛紛入場。

新時代的商業規則蘊含著新的機遇，對於雙方而言，這都是一次重新洗牌的最佳窗口期。

什麼是語音開放平台，及何為開放？

這一年來，幾乎語音行業內的大小公司都在做一件事，那就是試圖建立由自己主導的語音生態產業鏈。在這個產業鏈中，產品製造商，技術服務商，平台提供商和內容服務商組成整個產業鏈的生態。

可以說，誰的生態系統最完善，未來誰就將分得更大的市場佔有率。大勢當前，幾乎所有的語音技術公司，都開放了其智慧語音平台，給硬體開發者，應用技能開發者提供了語音交互能力，也招徠更多的玩家，進入到他們創建的生態系統之中。

各大語音平台比較

開放平台的主要功能，就是賦予硬體或技能應用獲得「能聽會說，更智體」的能力。目前，各大科技公司都紛紛開放語音能力，意欲吸引更多的玩家入場，下文筆者將詳細分析比較各大智體語音開放平台。

BAT巨頭

百度DuerOS開放平台

DuerOS是百度推出的對話式人工智慧操作系統，即智慧語音交互平台。DuerOS的技術架構包含「對話服務」和「技能框架」兩大基礎協議。兩大協議連通起來的對話核心系統、智慧設備開放平台和技能開放平台，構成了完整DuerOS的智慧生態系統。

圖為DuerOS 2.0系統構架

智慧設備開放平台面向傳統硬體廠商，和開發者輸出軟硬兼備的多層次解決方案，包括個人版、輕量版、標準版、參考設計等多樣化解決方案，能夠低成本、方便靈活地滿足各個類型廠商和開發者，不同層次的需求。

例如，軟硬一體化的智慧語音交互開發解決方案Sound Pi，整合全方向喚醒、聲源測向、定向拾音、噪聲抑制、混響消除、回聲抵消、遠場語音辨識、語義理解、語音播報等多項技術。

技能開放平台擁有豐富優質的AI內容資源，包括自有的10大類、100余種原生對話技能，支持接入第三方資源和內容，如音樂、有聲、新聞、娛樂等，顯著降低了開發成本。

DuerOS的核心層是對話系統，它之所以所以能夠有好的聽清、聽懂效果，主要歸功於三個方面：數據多、技術深、內容廣。所謂的數據指的是百度擁有龐大的知識圖譜、需求圖譜、網頁圖譜、地理資訊圖譜及用戶畫像，技術則指的是十餘年裡，百度所積累的自然語言處理、對話控制、對話管理、自然語言生成、搜索等技術，而內容指的是百度擁有的超過10000個資訊垂類內容。

阿里AliGenie語音開放平台

AliGenie語音開放平台是由阿里人工智慧實驗室（AI Labs）推出，主要包括精靈技能市場、硬體開放平台、行業解決方案三大部分，全面賦能智慧家庭、智慧製造、智慧零售、酒店、航空等服務場景。

圖為 AliGenie 語音開發者基本架構

面向硬體品牌商和方案商，例如比如音箱、電視、玩具、OTT盒子、投影機和汽車等，AliGenie開放平台將提供語音交互技術、自然語言處理能力、雲服務系統、開發工具包和一站式軟硬體及量化標準。

針對個人和行業應用開發者，將提供包括語音喚醒、語音辨識、聲紋辨識、語意理解、語音合成五大核心語音能力的開發者套件，內容提供者使用內容接入套件、即可快速創建語音技能；應用開發者使用自定義技能組件，可訂製各類技能。

阿里巴巴推出行業的語音解決方案，自然帶有阿里的零售服務業基因。對於線下零售、航空候機、酒店客房等應用場景，AliGenie開放平台推出了垂直行業解決方案，例如店鋪精靈，酒店精靈和航旅精靈等，這些個性化的語音助手將成為服務業的得力助手。

騰訊雲小微語音開放平台

騰訊雲小微於2017年騰訊「雲+未來」峰會上正式發佈，分為三個部分，Skill開放平台，硬體開放平台和小微客服機器人。

圖為騰訊雲小微基本架構

騰訊雲小微的Skill，是指它為各種各樣的設備，提供智慧語音對話的能力和內容；硬體開放平台是一個能將語音交互能力，輸出給第三方硬體廠商的平台，即雲小微將語音喚醒、語音辨識、語義分析、信令收發，以及眾多的內置資源及服務，如音樂、天氣、導航等核心能力提供給智慧音箱、智慧電視、智慧玩具、OTT盒子等傳統硬體領域的合作夥伴，實現用戶與設備、設備與服務之間的語音聯動能力；小微客戶機器人可以幫助用戶提高效率，降低人力成本。

用戶需要導入業務領域知識庫資訊，建立機器人知識資訊基礎，透過逐步調優，使得機器人機器人實現常見問題的自動應答。

作為網路社交的巨頭，騰訊不僅擁有海量的影像、音樂的內容資源，還擁有雲端億萬用戶的資源，騰訊雲小微從一開始就拿到一副好牌。如何在平台之爭中勝出，就且看鵝廠的戰略策略了。

傳統語音行業的科技公司

科大訊飛致力於智慧語音，及人工智慧核心研究和產業化十八年，是對岸中國最大的智慧語音上市公司。

訊飛開放平台，致力於為開發者打造一站式智慧人機交互解決方案。目前，開放平台以「雲+端」的形式，向開發者提供語音合成、語音辨識、語音喚醒、語義理解、人臉辨識、個性化彩鈴、行動應用分析等多項服務。

思必馳的DUI（Dialogue User Interface）開放平台是以D-對話為核心的一站式交互訂製平台，覆蓋多應用場景，和第三方內容資源，內置語音技能庫，為物聯網、行動網路和互聯網的開發者，提供單項技術服務，和一站式對話交互訂製解決方案。

作為一個全鏈路智慧對話開放平台，DUI提供的，不僅是基於思必馳智慧語音語言技術的對話功能，更包括開發者在訂製對話系統時，所需要的綜合服務，如GUI訂製、版本管理、私有雲佈署等，讓開發者可以完全依據需求，隨心所欲訂製對話交互系統。DUI開放平台擁有青囊系統、天機系統、紫微系統、玲瓏系統四大系統。

雲知聲的開放者平台以方案為入口，基於特定應用場景，打造智慧語音交互應用的模版。例如智慧電視方案、智慧汽車方案、音樂搜索方案等。為開發者提供一個智慧語音交互系統的完整，而便捷的開發環境。

這些方案類似於一個個開發模版，開發者創建應用時，可以為自己的應用選擇合適的方案，開發者的應用就獲得了該方案中，所配置的技術服務和內容服務。

雲知聲是一家專業的語音交互提供商，在行動網路、智慧家庭、可穿戴設備、車載導航、醫療、教育、呼叫中心等領域有豐富的經驗。

創業公司

出門問問推出的AI開放平台，其通用版本也是向開發者和硬體廠商免費開放的。非申請或邀請制，只需登陸平台網站註冊，就可立即下載集成SDK，擁有全棧式語音交互技術整合，平台工具操作簡單，適配多場景，且產品整合廠商，可根據自身產品需求，自主針對各自產品進行個性化的功能開發，出門問問通過產品獲得流量、數據，而產品則能獲得AI技術賦能。

Rokid的開放平台語音服務，包含Rokid技能開發工具，和Rokid語音接入。Rokid技能開發工具，幫助開發者為所有搭載Rokid開放服務的設備開發有趣的技能，實現用戶各式各樣的語音交互需求。

Rokid語音接入，能夠為配有麥克風和揚聲器的聯網硬體設備開啓Rokid開放服務所提供的智慧、可擴展的語音能力。並且，其100%的硬體技術和70%的代碼將全部開源。

技術賽道難分伯仲投資研究構建生態

語音能力的技術指標是什麼？可以說語音辨識率的高低，是決定用戶體驗的最直觀的一項，而各平台的語音辨識率，都能達到90%以上，因此已經難以成為評判好壞的決定性因素。

在傳統的技術領域中，專業性具有不可替代的統治地位，但現在的語音辨識領域，已不是一枝獨秀的時代。

科大訊飛、雲知聲、思必馳是幾家專注於語音辨識技術的公司，依靠垂直語音技術領域，長期盤踞主流語音市場，擁有先發優勢。這些科技創業公司，在語音領域深耕多年，在業界有多年的人脈和資源的累積。

人工智慧時代，智慧語音作為AI最先落地的突破口，迅速成為全球互聯網巨頭關注的焦點和角逐的戰場，所以，科大訊飛、雲知聲、思必馳也紛紛轉為AI全棧公司。當然，也有類似聲智科技、三角獸等語音技術公司，堅持定位技術方案提供商。

隨著BAT進軍AI語音領域，轉為全棧的語音技術創業公司、傳統語音技術公司的不可替代性，也受到了不可忽視的打擊。作為互聯網公司的BAT雖然入場較晚，但是不缺少財力的投入，並且憑借著互聯網行業的大數據等資源發展自家的人工智慧技術，迅速搶佔智慧語音市場。

其中百度最早佈局，以「All in AI」的戰略思維，集中火力發展AI產業，今年全資收購KITT.AI，把KITT.AI的語音能力和自然語言處理能力，融入到百度平台中；阿里也不甘落後，照搬亞馬遜模式，先推出天貓精靈，接著開放AliGenie開發者平台；騰訊坐擁內容與社交用戶資源，一直以後後之勢切人市場，騰訊雲小微平台的底層技術，來自於擁有龐大數據的微信。

在語音產業的技術賽道上，目前，很難說哪一家擁有壓倒性的技術優勢。從這個角度說，讓更多的開發者進入到自己的生態系統之中，也是開放平台的一個重要預期。除了構建平台，各大公司也將投資研究作為戰略佈局的一項重要內容。

比如說，百度發佈普羅米修斯計劃，將開放超大規模對話式AI數據集、鼓勵跨學科合作，並透過100萬美元的基金，用於鼓勵和培養對話式AI領域的優秀項目和人才；阿里投資達摩院佈局科研市場；思必馳也表示將撥出2億基金，用以扶持平台上優秀的開發者、優秀應用案例和創業項目。

結語：在智慧語音領域，評價的指標已經變得非常多元，實力的劃分也廣受爭議。在智慧領域內的第一梯隊，究竟是具有先發優勢科技公司？還是佔據著雄厚資本和資源的商業巨頭？也許只有時間才能給我們答案。