口述 | 李秀林 （標貝科技聯合創始人&CTO）
採訪、編輯 | 黃臻曜
來源 | 36Kr
語音交互以假亂真，已是顯性訴求
疫情期間，整個智能語音行業的表現算是比較好的，語音解決了很多非接觸（手動）人機交互的應用場景。比如聲控電梯、心理診斷問答資訊、疫情防護宣傳製作、商業街區寫字樓語音動態播報等。
像新出現的場景“非接觸的語音控制電梯”，和我們之前一直在使用的智能家居里的芯片組或者算法基本一致，將它們和電梯的控制按鈕集成後就能應用，難度不大。所以在疫情的催化下，只是需求量變多了，原來不用這些產品或者技術的公司開始考慮用到這些技術，以及增加了少量新的場景，但在應用難度上並沒有太大的挑戰。
但此次疫情讓人們看到了智能語音的市場空間、應用場景和巨大的市場價值，推進了語音技術與應用場景結合：
1、市場教育：以前習慣用手動操作，基於疫情期間，自身防護健康等角度出發，發現語音也是一個很簡單的交互體驗。
2、廣泛應用：疫情期間創造了很多強語音技術結合的場景。例如每天有大量疫情動態及防控等信息的通訊需求，通過語音合成技術，可以快速、規模化的將文本轉爲語音收取資訊，這部分的用戶數據增長能達到10倍、甚至幾十倍，我們也看到聲控電梯、外部監測體感語音報警場景大量出現。
3、技術發展呈現多樣融合的趨勢。智能語音解決“聽、說、懂”的問題，但應對疫情防護，不可能是單純的語音層面產品形態，而是配合圖像視覺、人臉識別、紅外體感等技術，來打造針對疫情一線的綜合防護與檢測產品。比如大屏體溫檢測、醫療機器人送藥問診查詢等應用。
這次疫情，對於很多公司來說也是一次考驗。有成熟的技術和解決方案的公司，就能夠快速落地，取得一些優勢。
以語音交互領域爲例，目前語音合成技術和語音識別技術，相對來說具有較高的成熟度，而語義理解相對來說還比較薄弱。我認爲，接下來行業對語音的探索不單會停留在“可用”上，還會考慮給用戶帶來更好的體驗。聲音在交互的時候，如何能給人帶來更自然、貼心、溫度，並達到以假亂真的體驗，這已經從一個潛在的訴求變成一個顯性的訴求。
“聲音復刻”是痛點還是癢點？
在疫情期間，我們看到出現了幾種情況：1、很多家長和孩子，因爲疫情無法上班、上學，也無法外出，居家的時間大幅增長，陪伴輔導孩子的任務驟增；2、有些家長由於支持抗疫或者受疫情影響無法返家，造成春節假期也無法團聚，相互思念；3、有些疫情嚴重地區，出現感染新冠肺炎的患者死亡的現象，爲自己或者自己的親人留下更多的記憶，也變成了一種生死離別下的重要訴求。
我們觀察到上述的情況後升級了我們之前的產品“標貝留聲機”，它能夠復刻父母聲音，給孩子講故事，這在家長圈裏引起了廣泛注意，聲音復刻的數量增長了500%以上，1-4月份留聲機的用戶使用數據增長了200%。我們之前就有“聲音銀行”的概念，用戶可以把聲音存儲在我們的雲端系統上，就像在銀行存錢一樣。需要的時候，就可以應用這個聲音，生成自己想要的內容。
在智能語音領域，留聲機產品是一個新的技術應用，核心技術是如何利用少量的數據，實現一個高相似度的聲音模型。大家可能之前看到過科學家霍金，在失去說話能力之後，可以依靠語音合成技術說話，覺得不可思議。隨着技術的進步，這一技術的應用成本在大幅下降，每個人都可以擁有自己的聲音。用戶只需要錄製5分鐘語音內容，等待2小時左右即可獲得用自己的聲音想說就說的功能，這在之前其實是很難想象的。我們也在不斷對技術進行升級，充分利用基於Attention的機制，以及遷移學習技術，去提升了聲音復刻的效果，改善用戶體驗，讓聲音的還原度更高，聽起來更像。但因爲數據量比較小，如何保證穩定輸出是訓練這種模型時要面對的挑戰。
我認爲，聲音復刻的需求是存在的，但可能只有很少的人知道現在已經有這樣的技術能夠滿足此類需求，目前技術的宣傳還遠遠不夠。當然，也因爲這個技術出現的時間比較短，語音不僅僅是信息載體，還承載了一個人的很多個人特點，包括音色、語氣、語調、風格等，在技術上仍需要持續探索。對一個新的使用場景，也還需要全行業一起努力去推動它的落地，打造出有一個標杆性的產品，爲用戶所認識和接受，這還需要一定時間，這是一個以點帶面的過程。只有技術服務提供的時間週期比較長，才能展現出它的實際價值，現在這個使用場景還處在一個打磨的階段。
僅僅有聲音還不夠，聲音結合圖像，會有更爲廣闊的空間。近幾年，短視頻的蓬勃發展，也說明了聲音+圖像的巨大市場。因此，“虛擬人”這樣的產品應運而生，它可以覆蓋虛擬主播、虛擬員工、虛擬偶像等各類不同的場景，應用於新聞媒體、智能客服、智能銀行、智能城市、泛娛樂應用等系統當中。
判斷“留聲機”、“虛擬人”這樣的使用場景是否是剛需，可以從價值創造、及時性、便利性等不同的方面來分析。
比如，虛擬人如果可以代替部分人工，那會爲公司節約人力成本，創造價值。只要是投入成本低於所節約的成本，企業就會樂於投入。比如智能客服爲什麼能快速發展，實際上是這些領域的客戶嚐到了甜頭，在使用此類技術後，企業可以降低30%或50%的客服人力成本，大大提升整個財務狀況，那麼他就會繼續擴大在這方面的投入。
又比如，傳統的新聞播報有時效性，而錄音難以實時滿足，而且成本較高，採用留聲機或者虛擬人技術，就可以隨時低成本地生產內容，既滿足了實時性的要求，又降低了成本。
再比如，短視頻的編輯，變得越來越簡單，但給視頻配上匹配的聲音，往往需要找配音演員，而且對聲音的控制，也涉及到很多專業的知識。不過我們的技術現在還很難做到給影視作品配音，等到合成效果達到這個水平，我覺得會有徹底的變化。
逃不開的靈魂拷問
目前來看，“留聲機”、“虛擬數字人”市場認知度、成熟度在不斷提升,有些音頻內容或者視頻內容，已經融入了這些新技術產生的音頻或者視頻。但我覺得目前存在以下幾點挑戰，或者說思考的空間，值得全行業一起去尋找答案：
1、語音合成是科學與藝術的結合，比如聲音復刻，一方面需要技術創新應用，怎麼讓聲音效果更逼近人聲效果，合成速度快、效果好的問題。另一方面，需要做創新性玩法，打磨出更穩定、更個性、更差異化的語音應用體驗。後續需要考慮如何提高情感表達方面的技術，這繞不開“語義理解”這個環節的提升。
2、技術提供商提供的是核心的技術，每個具體應用的領域，都有其特殊性，需要深入瞭解行業，瞭解用戶，這需要結合產品形態去做各個行業的探索，針對不同產品提供更好的解決方案，這不是一個複製粘貼的過程，比如在兒童教育場景，如何利用語音技術，針對不同年齡段開發功能，如何做到 “千人千面，如何能夠持續良性發展，如何反哺技術研發，都需要深入考慮。
3、商業化問題需要持續關注。如果產品直接To C，那就要去驗證用戶願不願意付費的問題。我覺得實際上對留聲機來說，它最終會是一個To C的產品。產品涉及到訓練模型，提供線上服務，如果用戶沒有付費意願，那商業化的問題就比較棘手。如果產品To B，比如我們會和玩具廠商、家居、汽車等有一些合作，如果此類合作伙伴不能有很好的商業模式，那麼他們購買我們技術服務的動力也會很弱。那麼對技術提供商來說，接下來一方面要考慮降低技術成本，讓它更容易用很小的成本去嘗試去推廣，去驗證它的商業模式；另一方面，也要幫助合作伙伴收集用戶數據去做測試，不斷迭代技術和產品，讓它在市場端有更好的需求。
4、技術的應用，有時會面臨技術有罪與無罪的爭論。我相信大家都很關心安全風險以及監管的問題，這是一個風險點，但是它可能不會阻礙整個技術的發展。只是我們在應用技術的時候要權衡，是否需要讓聲音保留一些技術的特徵。另外，也需要儘可能提高數據的安全性，比如我們開發了一套完善的賬戶管理體系，將復刻的聲音或者定製的虛擬人進行授權，使之保留在一個特定的範圍之內，以盡力保持這個技術的合法利用。隨着這類場景不斷普及，我認爲也會陸續有相關的指導政策出臺，以最大化降低相關問題出現的風險。如果要詐騙，其實一個真人去打電話，和讓一個虛擬數字人去打電話，我覺得本質上沒有區別，就像菜刀有人拿去切菜有人拿去砍人。所以如果做了該做的防範，遵守了相關的法律法規，在這個基礎上保持一個相對開放的心態，可能會利大於弊。我們希望這個技術能夠達到真人的效果，但當它快達到100%的時候又會有恐慌，這個問題非常複雜，其實很難有完全正確的答案。
5、理論上，低端、重複性的工作都可以用機器來代替，但是我們發現日常生活中還是有很多此類崗位存在。技術完全替代人，基本上可以認爲是不可能的。但技術的發展在不斷改變技術替代人的比例，隨着人口老齡化，我們的勞動力越來越少，那麼在各個行業它替代人的佔比都會提升，這最終可能會變成一個社會問題。
目前來看，行業競爭關鍵也是考驗語音技術與配套場景產品結合，未來一定會有大批玩家進入，不乏BAT這樣的玩家。可以肯定的是，隨着大批玩家的涌入，這個市場會愈發成熟，用戶對新技術的接受程度會大大提升。當一個虛擬人或者智能體說話時能達到和真人一樣的效果，我相信整個行業會迎來一個爆發。