【智能之心】智能音箱与语音交互

1.国内也有一些智能音箱产品，性能最好仍是Amazon Echo（鼻祖，2014年发布，销量千万，研发力量超过千人）和Google Home。

2.智能音箱需要生态链打磨，功夫决定体验，不能忽视任何细节。精心打磨一个生态链产品，除了需要考虑多方面的细节，还需要集中自家的优势资源。

3.智能音箱是语音智能助手的家庭入口，远远超出了音箱定义的范畴，这是硬件？软件？还是平台？很难界定，智能音箱涉及了语音交互的完整生态链。

4.国内很多厂商都自认为投入巨大，但是没有被用户认可。相比Amazon Echo来说，还有点小巫见大巫了，Echo广告做进超级碗。

5.公司之间竞争，不在于投入20%实现的80%，而在于投入80%才换来的20%（PS,人的竞争也是如此）。

6.使用简单、外观漂亮才是用户购买的主要动力。

8.语音交互是继键盘、鼠标和触摸屏之后的主流交互方式，现场感和即时性是关键因素。语音交互压根不是搞深度学习就能解决，需要对声学和智能都有深刻理解和长期积累。

9.语音智能的语法和语感学术界都还没有清晰思路，需要长久的研究突破，不仅限当前火热的机器学习和大数据，要考虑物理世界的概念和模型，最起码也要明白婴儿学习语言的过程。从这个思路来看，现在人工智能距离实现真正智能语音交互还差十万八千里。

10.Google的WaveNet引起语音合成领域的震动，这是一个新的思路。在此之前，语音合成已经很长时间没有任何实质性的进步，无非就是参数化和拼接式两种方法。

11.人机对话的现场感（沉浸感），从指标上来分析，其中一个重要参数就是机器的平均响应速度（国内的峰值指标），Echo刚开始是5秒，后来压到1.5秒，再后来就是1秒以内。

12.人类语言交流即时性，技术上称为单工或者双工模式，单工的时候对话者的语言是“互斥”的，不会出现声音的重叠和打断。以Siri和Echo为主人机语音交互就是单工模式。单工模式无法提供面对面交流时的畅快感和现场感，缺少部分对话体验。双工模式实际上是希望改变这一点，但是目前来看与人类还是有不少差距的，这些都是需要技术去克服的难点。