Hi新零售消息，語(yǔ)音交互是去年AI最火的領(lǐng)域，先鋒的智能音箱一個(gè)單品就讓所有互聯(lián)網(wǎng)大佬們都參戰(zhàn)其中。

　　但從當(dāng)初驚人眼球的蘋果SIRI語(yǔ)音助手到智能音箱，語(yǔ)音這項(xiàng)被寄予厚望成為人機(jī)交互入口的技術(shù)，似乎未能形成真正顛覆市場(chǎng)的應(yīng)用落地，始終在單品上火一陣試一陣。相反，視覺技術(shù)里人臉識(shí)別已經(jīng)形成規(guī)模化的基礎(chǔ)應(yīng)用，滲透到金融、安防甚至零售領(lǐng)域。

　　為何最早火起來被寄予厚望的語(yǔ)音交互反而在市場(chǎng)化應(yīng)用這一環(huán)節(jié)上似乎慢了?

　　一方面，相比圖像識(shí)別語(yǔ)音的交互鏈條更長(zhǎng)，是一個(gè)點(diǎn)往縱深深入走。語(yǔ)音交互不只包括識(shí)別，還要識(shí)別后理解文本意思再反饋出來，包括自然語(yǔ)言理解、語(yǔ)音合成以及對(duì)內(nèi)容資源的整合挖掘，路線遠(yuǎn)比圖像更長(zhǎng)。

　　另一方面，機(jī)器視覺受干擾因素較少，例如人臉識(shí)別的臉部特征幾十年不會(huì)大變，光線的強(qiáng)弱通過紅外都已經(jīng)解決。而語(yǔ)音是個(gè)變量，噪音、環(huán)境、距離、人的發(fā)音特征等因素下的語(yǔ)音交互都完全不一樣，同一句話在逛街、辦公室等不同場(chǎng)景，所表達(dá)的意思完全不一樣。

　　因此，語(yǔ)音比視覺的挑戰(zhàn)更大，它只存在于整體智能，而不是局部智能。語(yǔ)音是個(gè)交互手段，通過交互調(diào)取后端的服務(wù)，例如聽什么歌，去什么地方。而這又涉及與后端內(nèi)容的配合，如果第三方內(nèi)容庫(kù)內(nèi)容不夠全，也會(huì)導(dǎo)致整體語(yǔ)音交互顯得不夠智能。

　　第三，語(yǔ)音商業(yè)化落地不具有非常強(qiáng)的復(fù)制性，圖像識(shí)別技術(shù)的應(yīng)用復(fù)制性非常高，對(duì)設(shè)備的依賴程度不高，就一個(gè)數(shù)據(jù)包在任何情況下都可以用。

　　語(yǔ)音所處的場(chǎng)景不一樣，例如用在機(jī)器人、冰箱、車載不同的產(chǎn)品里，對(duì)三款產(chǎn)品說同一句“我餓了”，對(duì)機(jī)器人說有可能就是單純聊天;對(duì)車載說肯定不會(huì)是點(diǎn)外賣也不會(huì)是聊天，只有可能是導(dǎo)航。

　　因此，沒有辦法把所有語(yǔ)義做成一個(gè)通用庫(kù)復(fù)制到所有產(chǎn)品，每一個(gè)產(chǎn)品針對(duì)不同場(chǎng)景都有不同需求，都需要個(gè)性化定制。

　　基于語(yǔ)音的特征，語(yǔ)音交互的商業(yè)化更像個(gè)系統(tǒng)工程，從語(yǔ)音識(shí)別到語(yǔ)義理解到后端內(nèi)容資源庫(kù)，互相制約，牽一發(fā)而動(dòng)全身。由于語(yǔ)音交互的復(fù)雜帶來的商業(yè)化困境，語(yǔ)音交互技術(shù)公司也開始走技術(shù)平臺(tái)輸出路線。

　　一方面開放自己的基礎(chǔ)技術(shù)能力，讓市場(chǎng)化的應(yīng)用企業(yè)直接在基礎(chǔ)上商業(yè)化應(yīng)用，例如家居、車載、金融、醫(yī)療、教育等各領(lǐng)域的智能語(yǔ)音服務(wù)都可以采用其平臺(tái)的技術(shù)來探索細(xì)分領(lǐng)域的商業(yè)化，擴(kuò)大定制規(guī)模化;另一方面，將語(yǔ)音交互技術(shù)開放出來擴(kuò)大生態(tài)合作，以突破語(yǔ)音交互的局限。