提起智能語音，大家或多或少會想到蘋果的 Siri，畢竟整個行業(yè)由它牽頭帶動的，包括后來亞馬遜的 Alexa，微軟 Cortana，Google Assistant 等，各個巨頭將智能語音視為了一塊必爭之地，業(yè)界更是將語音定義為下一個人機(jī)交互的新形式。

在國內(nèi)，除了百度、科大訊飛以及一些初創(chuàng)公司，我們似乎很少會提起搜狗這家同樣專注于人工智能語音的公司，甚至有人認(rèn)為智能語音是搜狗向 AI 轉(zhuǎn)型的一大戰(zhàn)略。為此，搜狗 CEO 王小川曾強調(diào)，搜狗雖然以搜索起家，但事實上它就是一家 AI 公司，并一直致力于讓搜索引擎變得更聰明，其中就包括語音技術(shù)。

搜狗的語音技術(shù)研究始于 2012 年，曾推出語音助手應(yīng)用

從 2012 年開始，搜狗就著手語音技術(shù)的研究，并在一年多之后完成深度學(xué)習(xí)技術(shù)的研發(fā)和上線，經(jīng)過一段時間的測試、準(zhǔn)確率對比后，最終在 2013 年 6 月，接入搜狗包括輸入法、地圖在內(nèi)的全線產(chǎn)品，代替原本所采用第三方公司的技術(shù)。

同時在這個過程中，搜狗于推出了搜狗語音助手，得益于多年來積累的搜索能力，搜狗語音助手的技術(shù)在短時間內(nèi)做到了中文業(yè)內(nèi)的領(lǐng)先。但它也面臨著與 Siri 等語音助手相類似的窘境，在手機(jī)端上提供的交互體驗并不能讓用戶產(chǎn)生足夠的依賴性，最終導(dǎo)致產(chǎn)品的使用率并不高。

此后，搜狗語音團(tuán)隊則沒有對手機(jī)語音助手做繼續(xù)的研發(fā)和推進(jìn)，但對智能語音的研究依舊持續(xù)著，并將目標(biāo)聚焦在老本行——搜索上。他們思考著如何利用智能語音讓搜索變得更有效率、且往「更智能化」的方向走。到目前為止，搜狗語音團(tuán)隊每年都會將自家的技術(shù)拿到業(yè)界中進(jìn)行對比測評，以了解自身在行業(yè)中所處的實際位置。

基于前期技術(shù)的積累，敲定搜狗人工智能未來的方向：自然交互 + 知識計算

2016 年 8 月，沉寂許久的搜狗在智能語音中再次有了新動作，除了實現(xiàn)將語音轉(zhuǎn)化成文字的功能，還發(fā)布了語音交互引擎「知音」。同時，搜狗 CTO 楊洪濤在發(fā)布會中首次公布搜狗人工智能未來 8 年工作的主要方向：自然交互 + 知識計算，其中，自然交互指的是讓機(jī)器能夠在交互中更懂人，知識計算即將網(wǎng)絡(luò)中的海量信息提取出來，并做進(jìn)一步的運算、推理，輔助用戶做更好的決策。

這套由語音識別、語義理解、知識圖譜等技術(shù)梳理成一套成體系的「知音」交互引擎，主要是在加固此前搜狗在這方面的技術(shù)、產(chǎn)品積累，并讓其朝高效、更智能化的方向走。

基于深度學(xué)習(xí)平臺搭建識別引擎，提高語音識別效率、實現(xiàn)實時翻譯功能

發(fā)布「知音搜索」后，搜狗則開始基于已有的深度學(xué)習(xí)平臺搭建自己的識別引擎，一方面依據(jù)人類說話的生物特征將每一個音節(jié)分為獨立的幀，提高對靜音的識別，進(jìn)一步提高語音識別（將語音轉(zhuǎn)化為文本）的效率；另一方面，在語音識別的框架下建立聲學(xué)模型，根據(jù)人在發(fā)音時聲音信號和錄音信號波形的對比，實現(xiàn)錄音和文字之間的映射。

其中，在語音實時翻譯技術(shù)上，搜狗采用基于神經(jīng)網(wǎng)絡(luò)的機(jī)器翻譯技術(shù)，以文本斷句為橋梁，做到用戶在一直說話的同時，系統(tǒng)將輸入的語音進(jìn)行區(qū)分、翻譯，將中、英文短語之間的映射關(guān)系建立起來，利用語音模型將詞序或語序進(jìn)行調(diào)整，實現(xiàn)語音翻譯同傳。

搜狗 CEO 王小川在演講現(xiàn)場中展示搜狗語音的實時翻譯功能

除了技術(shù)框架的搭建，大量的訓(xùn)練數(shù)據(jù)是確保語音識別準(zhǔn)確率的基礎(chǔ)，因率先在中文手機(jī)輸入法中搶占先機(jī)，以及大量搜索用戶的基礎(chǔ)，讓搜狗的語音識別取得了良好的效果，也成為語音實時翻譯的重要基礎(chǔ)。據(jù)搜狗團(tuán)隊的介紹，搜狗語音識別的準(zhǔn)確率已達(dá)到 97% 。而在當(dāng)時，單是搜狗語音輸入法每日的請求次數(shù)就已經(jīng)超過 1.8 億次，也就是大約 16 萬小時的語料規(guī)模。

推進(jìn)語音技術(shù)在產(chǎn)品中的落地，并非做簡單的技術(shù)提供商

隨著人工智能技術(shù)得到一定的進(jìn)展，搜狗也逐漸考慮實現(xiàn)技術(shù)在產(chǎn)品中落地的事情。在這一戰(zhàn)略過程中，搜狗并不打算做一個純粹的技術(shù)出售商，游離于產(chǎn)品之外做技術(shù)的整合和貢獻(xiàn)，而是將產(chǎn)品與技術(shù)緊密聯(lián)系在一起，既做技術(shù)又做產(chǎn)品，或者在與他人合作時，依靠自己的人工智能算法和別人的數(shù)據(jù)去對接。

對此，搜狗 CTO 楊洪濤曾表示，「如果只是開放 SDK 接口供開發(fā)者嵌入和使用，這樣雙方就不能進(jìn)行良好的互動，最終的產(chǎn)品體驗一定不會好，而好的產(chǎn)品體驗需要兩個團(tuán)隊共同的緊密結(jié)合。」

在去年 12 月份，搜狗宣布與四維圖新、飛歌展開合作，三方共同研發(fā)智能車聯(lián)網(wǎng)軟硬件解決方案，推出飛歌最新的 G8Ⅱ 后裝智能車機(jī)。其中，搜狗語音提供的車載語音系統(tǒng)已在車載場景下做了專項優(yōu)化，是基于搜狗語音交互引擎「知音」面向車載方向的升級。同時，其與搜狗語音地圖進(jìn)行整合后，用戶可通過自然語音交互的方式向?qū)Ш较到y(tǒng)輸入目的地。

在今年 3 月份的小米新品發(fā)布會上，小米發(fā)布了與搜狗語音深度結(jié)合的智能語音電視——小米電視 4A，依靠搜狗的語義理解技術(shù)及其在小米 4A 使用場景下的優(yōu)化，用戶能夠在向電視提出復(fù)合指令時得到精準(zhǔn)的反饋結(jié)果。另外，搜狗語音和小米還一起建立了同步上線機(jī)制，在小米電視內(nèi)容上線更新的同時，搜狗語音都將快速跟進(jìn)優(yōu)化，為用戶提供良好的交互體驗。

小米智能語音電視發(fā)布會

前不久，會議平板廠商視源股份發(fā)布首款智能語音平板 MAXHUB，其中就整合了搜狗的語音技術(shù)。在使用這款會議平板的過程中，用戶用自然的語音指令即可調(diào)動語音助手執(zhí)行相應(yīng)的任務(wù)，提高辦公及會議效率。

語音交互的剛需在于駕車、客廳、戶外這幾個方向，產(chǎn)品本身也必須是「剛需」

就跟當(dāng)初放棄搜狗語音助手應(yīng)用一樣的道理，搜狗語音負(fù)責(zé)人王硯峰認(rèn)為，技術(shù)應(yīng)該用在能夠真正解決用戶實際問題的方向上，躺在手機(jī)上的語音助手并不能幫人們解決實際的需求。在物聯(lián)網(wǎng)和車聯(lián)網(wǎng)時代，更自然的人機(jī)交互方式已成為一個趨勢，而語音助手則需要找到它真正的用武之地。

王硯峰進(jìn)一步表示，語音交互的剛需存在于駕車、客廳、戶外等不方便使用鍵盤打字的場景中，另外，產(chǎn)品自身也應(yīng)該是剛需。如目前的機(jī)器人并不足以解決用戶的實際需求，因此搜狗也沒有把它作為一個跟進(jìn)的方向，而是希望繼續(xù)在以上三個場景中將語音交互的體驗做得更好、更深，給用戶帶來實際價值。

目前，搜狗一方面通過產(chǎn)品將語音技術(shù)更多的落地到用戶端，另一方面則深耕技術(shù)，投入到對前沿技術(shù)的研發(fā)中，如與清華大學(xué)聯(lián)合成立「清華大學(xué)天工智能計算研究院」。

從以上來看，我們沒有在搜狗語音身上看到「大雜燴」形式的產(chǎn)業(yè)布局，而是聚焦在垂直領(lǐng)域，尋找并切入剛需市場，對技術(shù)進(jìn)行深化以及貼近產(chǎn)品式的研究，方向是如此的堅決且明朗。

活動預(yù)告：
語見 語音智能峰會 | WARE 2017

4 月 15 日（本周六），深圳灣（公眾號 ID：shenzhenware）將舉辦「語見 語音智能峰會 | WARE 2017」，本屆峰會，將聚焦語音智能，邀請行業(yè)領(lǐng)軍企業(yè)、以及行業(yè)意見領(lǐng)袖，分享關(guān)于語音智能的相關(guān)平臺技術(shù)和應(yīng)用案例，通過會議的交流互動，以及會議主題的傳播，幫助人們更好的預(yù)見未來。