十步，智能音箱從入門(mén)到放棄

對于如何做好一個(gè)智能音箱，筆者腦海里面先浮現的是讀書(shū)那會(huì )兒圖書(shū)館、書(shū)店里面不斷沖擊眼球的《21天，C++從入門(mén)到精通》。當然，很多時(shí)候讀完的感覺(jué)是，這個(gè)書(shū)名應該改為《21天，C++從入門(mén)到放棄》，原因無(wú)他，C++博大精深、功能強大、涉及面極廣。類(lèi)比智能音箱，筆者也嘗試撰寫(xiě)一篇短文，不需要21天，只需要10步，智能音箱就可以從入門(mén)到放棄了。

2017年6月4日，“定位之父”杰克·特勞特先生去世，享年82歲。但是他提出的“定位”（Positioning）理論將繼續指導大家的經(jīng)濟活動(dòng)。具體到智能音箱，尤其是在國內，如何在這波熱潮里面定位自己，非常重要。一個(gè)簡(jiǎn)單的例子，是打算自己推產(chǎn)品？還是打算國內的通行做法，左手產(chǎn)品、右手方案？如果是后者，那么自己樹(shù)標桿的產(chǎn)品采用什么方案？提供給客戶(hù)的方案又需要如何滿(mǎn)足不同的客戶(hù)價(jià)格區間？

看著(zhù)上表，再看看國內對于TTM(Time To Market) & Cost的割喉競爭，這一步估計已經(jīng)有不少公司放棄啦。

音箱外觀(guān)是[敏感詞]眼印象，重要性不解釋?zhuān)?jiàn)下圖：

這也就不難解釋為何那么多方案商給出的參考設計都是圓柱體，外形大體一樣——雖然我不出挑，但我也不挨罵啊。

各位看官，設身處地，如果自己沒(méi)有蘋(píng)果的江湖地位，面對吃瓜群眾對音箱外觀(guān)仁者見(jiàn)仁智者見(jiàn)智地點(diǎn)評，是否有強大的心臟可以支持自己繼續走到第三步？

其實(shí)外觀(guān)設計和結構設計是密切相關(guān)的，大家都希望設備輕巧可攜帶，音效又特好，外殼還柔性，但外觀(guān)設計這一飄逸藝術(shù)家的活，被結構要求的技術(shù)工科男懟了。要想低音好，需要加些料；要想播歌期間識別好，Mic喇叭[敏感詞]分開(kāi)擺。這左一條、右一條、上一條、下一條的設計原則，讓音箱慢慢變大、變高，也就很難看到類(lèi)似藍牙音箱那種捏在手里陪你慢慢跑步的智能運動(dòng)音箱了。

各位做方案的朋友們，更要對這個(gè)上心啦，因為結構設計得好，大家一時(shí)感覺(jué)不了，結構設計得不好，整體效果就大打折扣。當然，結構設計的好，不妨展示自家的透視圖，妥妥地工程美學(xué)。雖然大家都吐槽蘋(píng)果外形，但是[敏感詞]這張還是蠻出挑的。 

所謂的智能音箱，首先還是個(gè)音箱，自然要考慮播放歌曲的效果。上面談到的聲學(xué)結構，也是首先要確保播放音效。但是歌曲內容的覆蓋度，也是[敏感詞]重要的事情。光有好的音效聲學(xué)結構，沒(méi)有音樂(lè )源，那就是修了高速沒(méi)有車(chē)跑了。國內在這一塊合縱連橫，但主動(dòng)權還是掌握在音樂(lè )版權商手里。有決心涉足于此的大廠(chǎng)，這一塊的合作和成本是必須要考慮的事情了。

由于市場(chǎng)已有方案的示范效果，智能音箱除了播放歌曲，各種有聲讀物、唐詩(shī)宋詞、外文翻譯，也是題中應有之意。每一塊內容的整合，都是需要認真規劃的。喜馬拉雅近日發(fā)布小雅音箱，其中一個(gè)大的出發(fā)點(diǎn)和訴求點(diǎn)就是自身的內容優(yōu)勢。

從積極的角度看，為內容，尤其是為高質(zhì)量的內容付費，是我國知識產(chǎn)權走向更為成熟的標志之一，也杜絕了部分市場(chǎng)參與者賺快錢(qián)、撈一把就走的心態(tài)，這樣的氛圍更有利于打造精品，助力消費升級。

說(shuō)了這么多，終于開(kāi)始進(jìn)入到產(chǎn)品本身了，那么如在定位中所提及的，在選定系統平臺后，各種系統優(yōu)化的工作就要安排了。很多做智能音箱的，把眼睛盯在遠場(chǎng)喚醒、打斷、識別上面，其實(shí)系統優(yōu)化的[敏感詞]步，遠遠沒(méi)有到那一塊。目前的智能音箱均是WiFi音箱，那么開(kāi)機速度、聯(lián)網(wǎng)便利性就是用戶(hù)除外觀(guān)以外的第二第三體驗了。開(kāi)機速度自然是越快越好，聯(lián)網(wǎng)自然是成功率越高越好，操作越簡(jiǎn)單越好。但是很多音箱，開(kāi)機大于1分鐘，聯(lián)網(wǎng)重連概率高，還比較挑路由器和網(wǎng)絡(luò )設置。這個(gè)，怎么說(shuō)呢，想象一下小輩買(mǎi)了個(gè)音箱回家孝敬老人，心情愉快地上電，默默地等待幾分鐘，后自己也折騰半天還無(wú)法聯(lián)上網(wǎng)，這個(gè)畫(huà)面就比較尷尬了。

其次系統功耗也很重要，先不說(shuō)可攜帶音箱，即使是家中的音箱，雖然一直連著(zhù)電源，但是播放一段時(shí)間后，播出千分音，但更放出萬(wàn)分熱，就比較麻煩了。功耗牽涉到CPU的選擇，休眠時(shí)降頻的處理，也牽涉到一直運行的計算，比如語(yǔ)音待喚醒的功耗，都是考驗一個(gè)技術(shù)團隊的重要方面。

沒(méi)有系統的駕馭能力，止步于此是一個(gè)不錯的選擇了。

好了，支撐整個(gè)智能音箱的AI終于要登場(chǎng)了，這是一個(gè)極為復雜的系統，涉及到感知技術(shù)、認知技術(shù)以及交互技術(shù)。下圖給大家一個(gè)整體印象。

以家居環(huán)境為例，遠場(chǎng)語(yǔ)音拾取，必然需要考慮去除由于墻壁等反射導致的混響，家居各種設備產(chǎn)生的背景噪聲，其他用戶(hù)的人聲干擾以及電視機自身產(chǎn)生的回聲。目前市面上Mic陣列主要分為2Mic陣列和多Mic陣列。

Google Home采用的就是2Mic陣列，這個(gè)方案[敏感詞]的好處是結構簡(jiǎn)單，實(shí)施落地方便，凸顯了Google做平臺的特質(zhì)。原因也很簡(jiǎn)單，在音箱上打兩個(gè)孔，無(wú)論是確保在一條直線(xiàn)上（這個(gè)其實(shí)是廢話(huà)了，兩點(diǎn)確定一條直線(xiàn)），還是一個(gè)平面上（似乎也是句廢話(huà)），都非常簡(jiǎn)單。缺點(diǎn)是只能支持180°聲源定位，定位角度的區分度也弱一些。

Amazon采用的是6+1 Mic陣列，支持360°聲源定位，但是聲學(xué)結構設計，乃至后期維護的難度有所提高。2Mic的一致性和6個(gè)Mic的一致性，以及更換出問(wèn)題的概率都有差別。

另外，當前也有一個(gè)有些走偏的思潮，那就是認為Mic越多越好，這個(gè)看法其實(shí)有待商榷的，4個(gè)Mic能解決的問(wèn)題，為啥一定要8個(gè)？成本更低，結構更簡(jiǎn)單，效果一樣，為啥一定要7、8個(gè)呢？這種思潮，既有點(diǎn)像當初大家追求的8核、10核處理器，又有點(diǎn)像鼓吹者只想做個(gè)Demo，根本不考慮量產(chǎn)了。

就像外觀(guān)是整個(gè)音箱的[敏感詞]體驗一樣，喚醒，是智能音箱的[敏感詞]體驗了。說(shuō)喚醒詞后反應遲緩，隔得遠了喊半天不起來(lái)，播放歌曲了需要吼才能起來(lái)，甚至放在那，莫名奇妙自己叫起來(lái)了，這些產(chǎn)品估計得擔心被用戶(hù)拍小視頻投訴了。

離線(xiàn)喚醒需要關(guān)注以下關(guān)鍵點(diǎn)：

快: 反應速度一定要快，[敏感詞]是用戶(hù)話(huà)音剛落，設備就應答了，這給用戶(hù)的感受，就像是有個(gè)隨叫隨到的助手，很有feel。

準: 必須要準確，說(shuō)了喚醒詞就得有反應，否則，喊了半天，尤其是智能音箱經(jīng)常播放音樂(lè )，需要能準確打斷，繼續下達命令。

穩: 沒(méi)事的時(shí)候靜靜地呆在那，主人看電視、接待小伙伴，音箱都不胡亂自己跳出來(lái)，給大家意外。這就要求長(cháng)時(shí)間誤喚醒率趨向于0。這一塊其實(shí)是硬功夫，而且需要仔細考察才能選出合適的方案。否則，喚醒光有快和準，后沒(méi)事亂蹦出來(lái)，就很煩人啦，沒(méi)準投訴隨之而至。

一般而言，說(shuō)起認知技術(shù)，大家討論的都是自然語(yǔ)言處理(NLU)，主要目的是讓音箱能準確理解用戶(hù)的意圖。但是，中文博大精深，不同人說(shuō)同一句話(huà)，以及同一個(gè)人在不同場(chǎng)合說(shuō)同一句話(huà)，意思都不一樣了。例如經(jīng)典笑話(huà)：

A：你這是什么意思？

B：沒(méi)什么意思，就是意思意思。

A：你這樣就沒(méi)有意思啦。

B：哪里哪里，這只是一點(diǎn)小意思。

A：呵呵，你這個(gè)人真有意思。

這也就提醒我們，光從文字上，實(shí)際上是很難準確地理解用戶(hù)的意圖的。任何語(yǔ)音的交流，都需要考慮一個(gè)核心因素—— 場(chǎng)景化。

所謂的語(yǔ)用計算，就是基于場(chǎng)景化感知的NLU。通過(guò)5W&1H(Who，When，Where，Which，What&How) 原則理解是什么人在什么時(shí)候，什么地方對著(zhù)什么設備說(shuō)了什么話(huà)，然后由語(yǔ)用決定如何去回應。

具體到智能音箱，尤其是還有打算像Google和Amazon一樣把音箱作為家居中控的朋友們，更需要考慮這個(gè)基于場(chǎng)景的語(yǔ)用計算。

“你好音箱，幫我把燈關(guān)了”—— 是指這個(gè)智能音箱上連接的客廳的燈，還是臥室的？

“有點(diǎn)冷”，是指這個(gè)笑話(huà)說(shuō)得有點(diǎn)冷，還是音箱上也掛接了空調了？

設身處地，理解用戶(hù)的命令，為用戶(hù)提供合適的應對，才是真正的NLU，也是語(yǔ)用計算的真諦所在。

前面兩條是感知技術(shù)（耳朵）和認知技術(shù)（大腦），有了這兩條，智能音箱聽(tīng)得到，也聽(tīng)得懂了，那么這款智能音箱可以說(shuō)做到內秀了。但是除了心靈美，也需要良好的溝通才能把音箱豐富的內心帶給用戶(hù)。這就是要靠交互了，為自然的交互自然是語(yǔ)音交互了。但是目前的音箱，所有的交互都是一喚醒再一問(wèn)再一答。這種交互[敏感詞]的問(wèn)題就是——讓人感到生分。每次使用前，需要先喊一聲音箱的名字，然后再下達指令，比如：

先喚醒： “臥龍先生”，然后下達命令“隨便來(lái)首那英的歌”。智能音箱開(kāi)始播放了，這個(gè)時(shí)候改主意了，想換一首韓紅的歌時(shí)，又得喊一聲音箱的名字喚醒……

這個(gè)感覺(jué)，很像兩個(gè)特別生分的人，無(wú)論何時(shí)何地，請對方幫忙，都要喊一聲全名，“臥龍先生，請你”……“臥龍先生，能否幫我”…… “臥龍先生”……音箱買(mǎi)回家都幾個(gè)月了，大家已經(jīng)很熟啦，為啥一定需要這樣？

另外，面對音箱，用戶(hù)的心態(tài)和面對一個(gè)活生生的人，還是有些差異的。作為一名五好青年，隨意打斷別人說(shuō)話(huà)，總是有些不禮貌的，從而內心是抗拒的。但是打斷一個(gè)設備說(shuō)話(huà)，或者插話(huà)，大家一般還是比較隨意的。