．解剖語音交互背後的層級

Behind the Mic: The Science of Talking with Computers

AKD 寰楚1080P 零售商店監控專用機

來源：琢磨事，作者李智勇

本文闡述了語音交互的4個階段，現在語音交互還處在L1階段，能以極高的準確率，在典型的環境下響應用戶的語音輸入，這一階段的目的，是透過便利性樹立語音交互的習慣。

L3階段基本就能實現電影《黑鏡》、《Her》中所展示的語音助手。語音交互從L1到L4，比自動駕駛從L1-L5還難，而在當前，每個人對語音交互的預期都比L4還高。原文如下：

（電影《Her》劇照）

自動駕駛有所謂的L1~L4，所以不管車企，還是技術提供商，都按著這台階逐步爬坡，幾乎每個人都理解，終極的自動駕駛，是不太可能一蹴而就，在短期實現的。

語音交互領域的情形則正相反，雖然短期也就能達到類似自動駕駛L2的水平，但每個人的潛在預期都比L4還高。

語音交互的終極目標

語音交互的便利程度，正好與人工智慧的發展程度成正比，智慧程度越高語音交互的等級也就越高，所以其終極形態與人工智慧的終極形態類似。

如果拋棄特別誇張的想像來說，那語音交互要能達成《她》或者《黑鏡》裡描述的樣子：

1. 當你輸入數據給它後，它能夠根據輸入數據，表現出不同的個性。

2. 在數據的處理上它近乎是全能的，只受個人權限的限制。

3. 如果真的賦予實體，那它可以感知周圍環境，並作出與人類似但很多方面，會更優秀的反應。

今天的智慧音箱，和未來相對終極的語音交互方式，以及設備相比，其差距要遠大於286電腦和今天的Pad的差距。

一旦發展成上面這樣的程度，那語音交互就會徹底的打開邊界，而不只是我們使用數據的一種方式。甚至會成為生活的必須品。我們不會對iPhone產生依戀，但語音交互則會。

回顧下《黑鏡》裡描述的場景，可以對此有更好的理解：

女主人公的丈夫去世，過於思念自己丈夫的女主人，透過公開的自己丈夫的數據，創建了一個有性格的，屬於自己的語音交互機器人。這個機器人在絕大多數方面表現，和女主丈夫一致。女主使用一段時間後，就升級了這服務，為這語音交互機器人，賦予了和自己丈夫一樣的形體。

這看著非常科幻，但實際上一旦語音交互達到上述程度，那這類事情幾乎一定發生。既然我們能接受很宅的躲在家裡，那就一定能接受這樣一種非真實，但更完美的電子助手，進入心靈的世界。《她》這部電影雖然沒拍，但如果有為個性化語音交互系統，塑形的服務，主人公也是一定會接受。

在這裡網路反倒是限制了我們的想像力，因為網路更多的體現的只是工具的屬性，但實際上語音交互系統，所要涵蓋的範圍，要比網路大的多。當前之所以它能做的還不多，主要是層級還不夠。

語音交互的L1，L2，L3

我們可以這樣定義語音交互的L1階段：

能以極高的準確率，在典型的環境下，響應使用者的語音輸入。極高的準確率最低應該在90%+。這時承載語音交互的設備，主要負責功能性的提示與反饋（燈與螢幕等）。

當前所有與語音相關的公司，事實上都是在達成L1的路上。L1的出口為語音交互習慣徹底樹立，人們面對每款設備的時候，會首先想到用語音操作，而不是遙控器或者螢幕。

在L1階段語音交互，更像是自動化程度、精準程度更高的搜索，但搜索的範圍擴大了。不單是局限於已有的數位內容，也擴展到家電、視訊通話等，正常搜索不會覆蓋的領域。

我們可以這樣定義L2階段：

能以極高的準確率辨識出，交互的當事人和環境，然後進行個性化的交互。這時承載語音交互的設備，透過攝影機等感測器，能夠即時進行感知，可以進行適當移動，初步擬人。

L2階段體現的是個性化，不再是千人一面。如果L2得以達成，那《她》所描述的場景，是可以實現的。語音交互可以訂製出性格，而這種性格很可能確實滿足某個人的心理期待。

在L2階段，語音交互會打破工具的邊界，嘗試走入過去重來沒被搜索等介入的領域，比如排遣寂寞。現在的各種App是按照領域來切分的，而在L2階段，那所有App的邊界會被打破，資訊的輸出，是按照人來切分的。也就是說不再有電信業者的頭條、美團等等，而只是有張三的語音交互助理，李四的語音交互助理。

我們可以這樣定義L3階段：

只要有數據，那語音交互系統的能力，是可以無邊界擴展的（包括個性和能力）。交互設備可以進行擬人化輸出。

L3階段體現的是，後端內容擴展的無邊界特性，不再是有多少智慧就有多少人工。以及擬人化輸出，擬人化輸出包括移動，說話的語調，風格，姿態等。

如果L3階段得以實現，那《黑鏡》描述的場景，是可以實現的。只要有一個人充分的數據描述，那就可以立刻模擬這個人出來，然後給他賦予一個真實的身體。

在L3階段，語音交互及其載體會是社會生活，甚至家庭的一部分。

本質上從L1到L3體現的是數位化程度的不斷加深，智慧程度不斷加深，同時數位和智慧又按照自己的理想形態，進行物化的過程。

未來三年必然會達成的成績

現在與語音交互相關的公司，核心在做的就是L1階段的事。這個時候雖然在人工智慧的大趨勢裡面，但本質上智慧並沒那麼關鍵，關鍵的是便利，以及能輸出的內容。這兩者會推動樹立語音交互這種習慣。

如果要在數量級上進行判斷的話，那三年後可以達成的目標是：

每年有10億台支持語音交互的設備售出。至少故事機、電視機、電視盒子、汽車前後裝、白色家電、燈、鬧鐘等會加入這種特性。手機、Pad、電腦這些大品類上，語音交互的能力則會變成標配，但使用頻次，估計需要更長的時間進行提升，在最初交互頻次會很差（這點在前面的文章裡提到過，語音交互本身並非一種獨立的交互方式，而是同其背後的內容深度綁定的，我們很多的應用，實際上是針對手機和鍵盤滑鼠標操作優化過的）。
凡是電子設備都可以用語音來進行交互。語音交互不會挑設備，同之前的交互相比，它可以更加低廉，理論上只要麥克風，並且能連網就足夠了。這和為設備加入鍵盤鼠標或者屏幕相比，代價要低很多。這點上做出表率的仍然是亞馬遜，亞馬遜不停的推出新的設備如微波爐、車載設備等。當然不同設備上語音交互的層次是不同的，有些設備比如白色家電上面，語音交互會限制在一到三輪以內。