在國內(nèi)，做智能硬件的不少，其中有不少出口國外的產(chǎn)品。那么，搭載語音交互功能的產(chǎn)品在進入海外市場時，最主要的還是要考慮語音交互的本土化問題。在深圳灣舉辦的「WARE 2017 語音智能平臺與應用峰會」中，優(yōu)必選 Alpha 產(chǎn)品線的負責人梁嘉豪以一個創(chuàng)業(yè)公司的視角向大家分享了其智能語音助手海外本地化探索的過程。

梁嘉豪曾從無到有搭建了優(yōu)必選的產(chǎn)品團隊，現(xiàn)主要責優(yōu)必選人工語音助手相關(guān)產(chǎn)品：Alpha2，Lynx，Beta，Alpha1 等產(chǎn)品。在智能語音交互上有豐富的實戰(zhàn)經(jīng)驗，對國內(nèi)外智能語音行業(yè)有深刻的了解。

優(yōu)必選 Alpha 2 于 2016 年啟動了英文版語音的研發(fā)，但難以實現(xiàn)海外本地化英文語義的編寫，基于這樣的評估，Alpha 2 隨后接入 Api.ai（不需在每個場景中編寫語義），World Frame Alpha 和 Alice（讓語音更聰明）。經(jīng)過一路以來的探索，Alpha 2 最終選擇了 Alexa，并于 2017 年的 CES 上發(fā)布搭載 Alexa 的 Lynx 機器人。

海外本地化面臨哪些問題？

可以說，優(yōu)必選已經(jīng)把能走的路都走了一遍。梁嘉豪講述了他們這一路以來所遇到的問題，可歸結(jié)為以下三大類：

1.語言本地化：翻譯是語音軟件海外本地化最簡單的辦法，但事實上，人工智能類產(chǎn)品因擁有海量數(shù)據(jù)，單靠翻譯是不足夠的。語言本地化包括喚醒、ASR/TTS、NLP/NLU 個三方面。其中，喚醒指的是需要對喚醒詞進行外文轉(zhuǎn)化，NLP/NLU 則需要運用海量的本地數(shù)據(jù)進行訓練。

2.內(nèi)容本地化：包括考慮新聞、故事、時區(qū)、音樂、天氣、版權(quán)等的當?shù)貙傩浴Ｆ渲校鏅?quán)問題最為棘手，如音樂無法得到當?shù)貞玫氖跈?quán)，將無法給用戶帶來順暢的體驗。

3.云服務本地化：即服務器部署地的問題。若國內(nèi)產(chǎn)品在國外使用時，依舊走國內(nèi)服務器通道，則難以為用戶提供良好的體驗。

對于沒有當?shù)鼗瘍?yōu)勢的創(chuàng)業(yè)公司來說，Alexa 是不錯的選擇

梁嘉豪表示，對于一個沒有當?shù)鼗瘍?yōu)勢的創(chuàng)業(yè)公司來說，接入 Alexa 是最佳的選擇，原因有以下幾點：

1.Alexa 能夠提供極致的用戶體驗，它要求麥克風在聽到聲音、回應用戶的整個過程需要保持在 1.5s 以內(nèi)，避免因等待時間過長導致用戶產(chǎn)生等待焦慮。將這個反應時間從 4s 縮短到 1.5s，Alexa 團隊先后花了 3 年時間。

2.Amazon 能夠提供科學、完整的接入指引，清楚地向廠商指示，機器在被喚醒、監(jiān)聽、請求網(wǎng)絡等狀態(tài)下，需要應用光效、聲音等向用戶表明機器自身所處的狀態(tài)。

3.便捷的技能開發(fā)方式，因大部分中、小廠商么沒有足夠的 NLP/NLU 數(shù)據(jù)，Alexa 能夠讓廠商免去對 NLP/NLU 這部分的考慮。

4.體系的認證體系，這一點確保任何接入 Alexa 的產(chǎn)品都能為用戶提供極致的用戶體驗。

亞馬遜資質(zhì)驗證，需要注意哪些？

梁嘉豪進一步向大家講述了亞馬遜資質(zhì)驗證體系的框架：

麥克風陣列（喚醒、誤喚醒、識別）：分別是安靜和噪音環(huán)境下的喚醒率和誤喚醒率檢測。

用戶體驗（燈效、反饋、延時）：包括反饋機制是否到位，讓用戶清楚機器所處的狀態(tài)，機器向用戶反饋的時間不超過 1.5s。

大音頻文件播放體驗（用戶等待時長）：Amazon 擁有海量的內(nèi)容，且不同內(nèi)容供應商所提供的音頻文件格式各不相同，要求所提供的音頻文件能夠被播放，雖然對用戶等待時長沒有固定數(shù)值，但要求在一個相對較短的時間范圍內(nèi)。

另外，梁嘉豪還說道，目前廠商從向 Amazon 提交申請到最終讓產(chǎn)品接入 Alexa 的時長大概為 2 個月。但需要注意的是，隨著越來越多廠商的申請接入，申請周期將會延長。

問答

Q：放在機器人上的人工智能跟放在音箱上的有一定區(qū)別，我們會期待除了聲音之外還會有更多的結(jié)合的交互。因為優(yōu)必選做機器人，應用了 Alexa 之后是否會有一些搭配？比如說做一些多模塊的交互來與語音交互進行結(jié)合，也就是在交互方面是怎么思考的？

A：優(yōu)必選其實是做人形機器人，與音箱最大的不同是，人形機器人有肢體，可以有豐富的能力。所以說，我們在接入 Alexa 時結(jié)合了硬件的特點，有更豐富的肢體語言，比如讓機器人可以跟著用戶一起做瑜伽。同時我們會在系統(tǒng)上加深運用，比如開放一些針對家庭監(jiān)控、視頻通話的功能，讓我們的產(chǎn)品跟 Alexa 區(qū)別出來。

Q：對兒童的聲音有沒有什么特別的識別方法？這個問題擴展出去是，在家庭場景下面，我們針對一個兒童能識別出他的聲音，然后給它對應到是否兒童的內(nèi)容，就比如更加安全的環(huán)境。

A：因為我們機器人是相通的，針對不同的用戶調(diào)取不同的應用，舉個簡單的例子，我們可以調(diào)取整個攝像頭，然后通過后臺的算法去算出這個用戶大概是多少歲的，如果他是小于 16 歲，就把他識別是一個兒童，這樣我們就可以去調(diào)取針對兒童的語音識別算法，同時為他調(diào)取一些跟兒童相關(guān)的內(nèi)容，比如兒歌。這就要去跟別的硬件進行深度的結(jié)合，如果僅僅通過語音的話其實不太夠。