導(dǎo)讀：不出所料，加聲阿里還是紋識(shí)發(fā)布了智能音箱。從亞馬遜三年前的別搶上海外圍那個(gè)最漂亮（電話微信180-4582-8235）提供頂級(jí)外圍女上門，可滿足你的一切要求無心插柳到今天阿里的入局，智能音箱市場(chǎng)的奪市爆發(fā)讓人始料未及，但這的箱步確發(fā)生了。

　　Echo已累計(jì)銷售近2000萬臺(tái)，實(shí)懸谷歌、加聲微軟、紋識(shí)蘋果隨之跟進(jìn)，別搶之后的奪市一段時(shí)間里，國(guó)內(nèi)的箱步軟件廠商、硬件產(chǎn)商、實(shí)懸內(nèi)容廠商爭(zhēng)相進(jìn)入，加聲好不熱鬧。紋識(shí)

　　而直到本月初，別搶阿里才正式發(fā)布智能音箱天貓精靈X1，既出乎意料又在情理之中，使得語(yǔ)音入口的爭(zhēng)奪戰(zhàn)因?yàn)榘⒗锏娜刖肿兊酶佑腥ぁ?br>
　　其實(shí)，499元的天貓精靈在發(fā)布前一天，雷鋒網(wǎng)就曾寫過一篇題為[為何中國(guó)版Echo還未問世，明天阿里的AI新品能帶來驚喜嗎]的文章。

　　那么，上海外圍那個(gè)最漂亮（電話微信180-4582-8235）提供頂級(jí)外圍女上門，可滿足你的一切要求阿里的智能音箱到底帶來了哪些有別于其他同類產(chǎn)品的驚喜？

　　眼前一亮的“驚喜”

　　此前有媒體稱，為了這款智能音箱，阿里巴巴甚至將馬云投入上億美元的Pepper機(jī)器人項(xiàng)目中止，把人員隊(duì)伍拆分劃進(jìn)人工智能實(shí)驗(yàn)室。而花了這么大代價(jià)出來的產(chǎn)品好像似乎與Echo等音箱并無本質(zhì)上的差異，所含功能大致包括播音樂、叫外賣、查天氣、設(shè)鬧鐘、智能家電操控等。

　　根據(jù)天貓精靈對(duì)外宣傳的賣點(diǎn)，其中非常重要一點(diǎn)就是連Echo都不具備的聲紋識(shí)別功能。

　　阿里稱，通過聲紋識(shí)別技術(shù)，音箱可以分辨家里的每一個(gè)人，并且根據(jù)每個(gè)人的喜好而設(shè)定推送不同的內(nèi)容，目前最多可以識(shí)別6個(gè)人的身份;另外，用戶還可通過自己的聲音完成購(gòu)物支付驗(yàn)證環(huán)節(jié)。而Echo在分辨人的身份上，還需要通過進(jìn)一步操作來獲取用戶的個(gè)人信息。

　　讓雷鋒網(wǎng)好奇的是，如此酷炫的功能為何亞馬遜至今都還沒用在Echo上。

　　據(jù)悉，亞馬遜很早就想應(yīng)用這項(xiàng)技術(shù)，但據(jù)亞馬遜員工介紹，從聲紋識(shí)別領(lǐng)域的硬件和軟件公司中得到的反饋看來，讓這些語(yǔ)音控制設(shè)備去識(shí)別不同用戶的聲音比想象中要艱難很多。

　　“由于設(shè)備需要去除噪音，回聲，混響，使得它難以對(duì)聽到的發(fā)聲者的身份進(jìn)行識(shí)別。”Conexant語(yǔ)音部門副總裁Vineet Ganju說道。

　　那么擁有聲紋識(shí)別的天貓精靈真的能撐起它所重點(diǎn)訴求的這個(gè)賣點(diǎn)嗎?

　　我看懸。

　　聲紋識(shí)別功能為什么懸？

　　先從聲紋識(shí)別算法層面講，聲智科技創(chuàng)始人陳孝良博士此前在接受雷鋒網(wǎng)專訪時(shí)表示，聲紋識(shí)別還是一個(gè)比較窄的學(xué)科，應(yīng)用也相對(duì)較少。現(xiàn)在大部分研究都是有關(guān)動(dòng)態(tài)實(shí)時(shí)檢測(cè)，動(dòng)態(tài)檢測(cè)的方法自然要利用靜態(tài)檢測(cè)的各種原理方法，同時(shí)也需要增加其他很多算法， 比如VAD、降噪、去混響等。VAD的目的是檢測(cè)是不是人的聲音，降噪和去混響是排除環(huán)境干擾。

　　VAD常用兩個(gè)方法，基于能量檢測(cè)和LTSD(Long-Term Spectral Divergence)，當(dāng)前用的較多是LTSD，另外特征提取方面還需要：動(dòng)態(tài)時(shí)間規(guī)整(DTW)、矢量量化 (VQ)、支持向量機(jī) (SVM)，模型方面則需要隱馬爾可夫模型(HMM)和高斯混合模型 (GMM)。

　　從上面模型不難看出，聲紋識(shí)別還是一種基于數(shù)據(jù)驅(qū)動(dòng)的模式識(shí)別問題，因?yàn)樗心Ｊ阶R(shí)別存在的問題聲紋都存在，而且聲紋識(shí)別還有一些不太好解決的物理和計(jì)算問題。

　　聲紋識(shí)別的唯一性很好，但實(shí)際上現(xiàn)有的設(shè)備和技術(shù)仍然很難做出準(zhǔn)確分辨，特別是人的聲音還具有易變性，易受身體狀況、年齡、情緒等的影響。若在環(huán)境噪音較大和混合說話人的環(huán)境下，聲紋特征也是很難提取和建模的。 現(xiàn)階段，遠(yuǎn)場(chǎng)聲紋識(shí)別理論并不成熟，研究進(jìn)展也不大。

　　陳孝良認(rèn)為，深度學(xué)習(xí)帶給模式識(shí)別極大的提升，甚至還有開源的相關(guān)算法，但是聲紋識(shí)別的研究進(jìn)展仍然不大，這仍然受制于聲紋的采集和特征的建立。

　　聲紋識(shí)別提供商SpeakIn資深科學(xué)家陳東鵬博士談到，從聲紋識(shí)別這一單項(xiàng)技術(shù)來講，容易受到真實(shí)環(huán)境下的各種影響，包括：噪音問題、多人說話、身體狀況、情緒影響等，現(xiàn)在確實(shí)很棘手。包括他們?cè)趦?nèi)的一些公司也在大力通過軟、硬件算法去優(yōu)化這些行業(yè)通用問題，在深度學(xué)習(xí)的加持下，整個(gè)行業(yè)的進(jìn)步也比以往更快。陳博士補(bǔ)充到，聲紋識(shí)別只是一個(gè)環(huán)節(jié)，效果判斷還需看產(chǎn)品本身和使用場(chǎng)景等因素。

　　在產(chǎn)品層面，剛剛發(fā)布“小雅”智能音箱的喜馬拉雅表達(dá)了他們的看法。喜馬拉雅副總裁李海波表示，對(duì)于聲紋識(shí)別的應(yīng)用，公司內(nèi)部也攻關(guān)了很久，但無法做到完全準(zhǔn)確，目前還只是實(shí)驗(yàn)階段，效果一般。

　　在談及阿里天貓精靈時(shí)，他講到，遠(yuǎn)場(chǎng)語(yǔ)音識(shí)別通常在三米到五米內(nèi)有效，降噪是在70dB左右，環(huán)境噪音和音響聲音大于這個(gè)標(biāo)準(zhǔn)就很難喚醒。而遠(yuǎn)場(chǎng)聲紋識(shí)別在同等距離下就更加不穩(wěn)定，目前客廳、電視機(jī)、廚房、床頭是智能音箱的四個(gè)常用場(chǎng)景，而除了床頭外，其他三個(gè)常用場(chǎng)景實(shí)際距離通常情況均超過三米，所以阿里音箱聲紋識(shí)別的具體實(shí)用性還不可得知。

　　至于亞馬遜Echo為何至今還沒用這個(gè)功能，李海波認(rèn)為該技術(shù)還不成熟，雖然很炫但風(fēng)險(xiǎn)很大。

　　另外，Sensory公司的CEO Todd Mozer也認(rèn)為對(duì)Echo這樣的遠(yuǎn)場(chǎng)語(yǔ)音設(shè)備來說，識(shí)別誰(shuí)在說話是很困難的。隨著信號(hào)/噪聲比例提高，設(shè)備的表現(xiàn)隨之變差。

　　“降噪和從噪聲中分離語(yǔ)音的處理對(duì)于用戶身份的識(shí)別有非常大的影響，目前為止，市場(chǎng)上還沒有產(chǎn)品同時(shí)處理好用戶身份識(shí)別，遠(yuǎn)場(chǎng)語(yǔ)音和噪聲處理。”Mozer說道。

　　再?gòu)倪h(yuǎn)場(chǎng)聲紋識(shí)別的實(shí)際應(yīng)用情況來看，中科院自動(dòng)化所、極限元資深智能語(yǔ)音算法專家劉斌向雷鋒網(wǎng)談到了他的看法。劉博士表示，遠(yuǎn)場(chǎng)語(yǔ)音識(shí)別受到噪聲、回聲、混響的干擾，無論是語(yǔ)音識(shí)別還是聲紋識(shí)別都很具有挑戰(zhàn)性。

　　目前遠(yuǎn)場(chǎng)語(yǔ)音識(shí)別可靠的識(shí)別距離大約是3-5米;對(duì)于聲紋識(shí)別還要更難一些。因?yàn)檎Z(yǔ)音識(shí)別的目的是理解語(yǔ)音信號(hào)中的言語(yǔ)內(nèi)容，言語(yǔ)內(nèi)容信息跟共振峰高度相關(guān)，共振峰主要集中在低頻帶，語(yǔ)音信號(hào)低頻帶能量較高，受外部干擾相對(duì)較小，而說話人相關(guān)特征更多集中在高頻帶，語(yǔ)音高頻帶能量相對(duì)較低，更容易收到各種干擾的影響，因此遠(yuǎn)距離聲紋識(shí)別更具挑戰(zhàn)。他隨即說到，因?yàn)槊總€(gè)人說話特征會(huì)隨著不同因素而變化，例如感冒時(shí)發(fā)音跟正常時(shí)肯定有所差異，所以近場(chǎng)聲紋識(shí)別還不敢保證特別成熟，遠(yuǎn)場(chǎng)條件下肯定不太容易實(shí)用。總體來說，對(duì)于大多數(shù)用戶，聲紋識(shí)別應(yīng)用于智能音箱并不是剛需，從技術(shù)角度分析，聲紋識(shí)別尚不成熟。

　　那么，相比遠(yuǎn)場(chǎng)語(yǔ)音識(shí)別來說，更加不成熟的遠(yuǎn)場(chǎng)聲紋識(shí)別技術(shù)為何會(huì)被阿里急著應(yīng)用到音箱中呢?

　　除了用此技術(shù)滿足用戶的個(gè)性化需求尋求差異化搶占市場(chǎng)外，劉博士還提到，介于阿里在電商領(lǐng)域的一些積累和優(yōu)勢(shì)，應(yīng)用在電商身份認(rèn)證也是阿里重點(diǎn)推進(jìn)的方向。

　　阿里基于淘寶、天貓巨大的資源優(yōu)勢(shì)將購(gòu)物場(chǎng)景引入音箱中聽上去無可厚非，但從之前亞馬遜將此場(chǎng)景應(yīng)用在Echo上來看，用戶用其購(gòu)物的使用頻率并不高，使用體驗(yàn)也不理想。

　　科大訊飛執(zhí)行總裁胡郁此前接受雷鋒網(wǎng)采訪就說到，從整個(gè)市場(chǎng)來看，購(gòu)物場(chǎng)景應(yīng)用于音箱中還非常不成熟。真需求一定是用來滿足用戶剛需行為的功能，雖然Echo現(xiàn)在賣的很好，但調(diào)查后發(fā)現(xiàn)，用戶真正用得比較多的工具不過是設(shè)個(gè)提醒、查個(gè)天氣等等。之前亞馬遜大力推的Echo語(yǔ)音購(gòu)物功能并沒有做起來，當(dāng)用戶用語(yǔ)音交互的形式去買東西時(shí)，會(huì)發(fā)現(xiàn)里面各個(gè)環(huán)節(jié)和場(chǎng)景挺麻煩，還不如直接在屏幕操作來的方便。

　　所以這也是很多企業(yè)一直在強(qiáng)調(diào)語(yǔ)音交互要和視覺呈現(xiàn)的原因，因?yàn)橛脩粼诿鎸?duì)沒有視覺呈現(xiàn)的情況下，你獲得的信息不夠，這時(shí)候很難完成一些復(fù)雜的操作。所以有些功能和場(chǎng)景都是我們自己憑空想出來的，直到真正投入實(shí)際使用時(shí)卻發(fā)現(xiàn)用戶的思維與行為習(xí)慣并不是產(chǎn)品設(shè)計(jì)的那樣。

　　這里可以看出，如果用戶連使用電商功能的習(xí)慣都尚未養(yǎng)成，且聲紋技術(shù)問題重重，那么在電商中加入聲紋識(shí)別的訴求，目測(cè)也很難以經(jīng)得住市場(chǎng)考驗(yàn)。

　　總體來看，阿里此次在智能音箱中加入聲紋識(shí)別的出發(fā)點(diǎn)很好：大打Echo和京東叮咚都沒有的功能營(yíng)銷牌，在同質(zhì)化產(chǎn)品浪潮中，用前沿技術(shù)來提升競(jìng)爭(zhēng)力。

　　但在整個(gè)技術(shù)和市場(chǎng)尚未成熟之際，阿里在音箱中嫁接聲紋識(shí)別，這步棋怕是走早了一步。

　　智能電視/盒子資訊歡迎關(guān)注智能電視資訊網(wǎng)news.znds.com，以及ZNDS君的微信公眾號(hào)zndscom，官方微博智能電視網(wǎng)，歡迎投（sao）喂（rao）。