百度AI牵手罗技，背后隐藏了什么野心？

罗技和百度AI这对跨界组合,正在重新定义语音输入。

4月13日,全球著名云周边设备供应商罗技推出了一款“语音鼠标”,在百度AI的优先赋能下,用户点击鼠标上的语音键就能进行语音输入,不仅在PC端实现了中英文自由夹杂语音输入,还可以实时进行多种语言的语音翻译。

其实类似的概念并非是罗技首创。早在两年多前就出现了主打“语音输入”的键鼠类产品,诸如“智能鼠标”的概念也被多家品牌借用,但无一成为现象级的爆款产品,PC端语音输入的用户习惯也无从谈起。

百度AI为何要在这个时候进行跨界,并选择牵手罗技这样的市场领导者,背后到底隐藏了什么样的野心?

01 知易行难的语音输入

人类对语音输入似乎有着天生的执念。

早在2000年前后,个人电脑还属于少数人的玩物,IBM推出的软件工具ViaVoice就开始风靡全球。按照IBM的设想,ViaVoice将在人与机器之间担当“翻译”,只要一句话就能编排文本格式、控制桌面、操作程序、发送Email……

虽然IBM解放双手的革命未能如愿,却为整整一代人种下了“动口不动手”的交互理念。比如在2018年的时候,罗永浩推出了宣称是“下一代个人电脑”的TNT,试图将IBM讲述的“美丽童话”从传说变成现实。遗憾的是,老罗的TNT乃至后面推出的“智能鼠标”,都和ViaVoice一样成了被怀旧的对象。

为何语音输入一度成了悬而未决的世纪难题?可以找到三个直接相关的痛点。

一是连续语音输入的“尴尬”。

语音输入并非没有落地的场景,和智能音箱的语音交互、聊天时的语音识别等等,可以说是屡见不鲜的场景,然而切换到办公时长篇幅的连续输入,现有的语音识别模型常常出现“宕机”的问题。

时间追溯2015年,注意力模型已经是语音识别的主流技术,在语音识别的准确率方面有了突破性的进展,但注意力模型大多是基于整句的建模,通过机器学习选择和当前建模单元最匹配的特征,导致句子越长识别难度就越大,出错的概率也就越高,同时还伴随着较长的用户等待时间。

二是远场语音识别的不足。

网上流传着使用TNT工作站的段子:想要在办公室里用语音操作TNT,先要提前喊一声“安静”,让周边的同事自动进入到消声状态,不然TNT可能不知道是谁在说话,语音识别的准确率让人堪忧。

背后牵涉到的是远场语音识别技术,如果目标声源距离拾音器比较远,将导致目标信号衰减严重,加上嘈杂的外部环境制造了太多的干扰信号,最终导致信噪比较低、语音识别性能比较差。我们已经习惯在手机上对着麦克风说话,但不可能以趴在电脑上的姿势对着屏幕进行语音输入。

三是语言混合输入的难题。

即使不考虑长句子连续输入和远场识别的问题,日益进化的语言习惯也一度制约语音输入的普及。就像很多人在工作中常常出现中英词汇混用的情况,或者有时候飚一句方言,都可能难倒识别工具。

尽管一些语音识别工具推出了多种语言的识别模型,可在过去很长一段时间里,需要用户先手动切换至想要识别的语言,比如你想要用四川话进行语音输入,先要到输入法的设置中将语言设定为四川话,说普通话的时候再去切换回来。不仅进一步增加了用户的学习成本,体验也不尽如人意。

在种种待解痛点的制约下,语音输入的想象固然美好,但前提是进行一场技术上的长征。可以佐证的是,微软刚刚以197亿美元的价格收购了Siri背后的语音技术玩家Nuance,计划将Nuance的语音识别技术和旗下其他产品整合,以接棒在技术和场景上落后而被迫默默退场的Cortana。

02 百度AI的三步走战略

而在语音技术的赛道上,百度已经奔跑了十年。

2010年百度正式成立了语音团队,主要研发百度语音识别、语音合成等在内的一系列核心技术,并逐步将百度的语音技术应用于小度智能音箱、百度输入法、小度车载助手、百度智能语音呼叫中心等产品。

不过在PC端语音输入的话题上,百度AI在很长时间里并未追逐“智能硬件”的风口,默默制定了语音技术的三步走战略:

第一阶段,语音识别算法的持续打磨。

为了解决连续语音输入的痛点,百度AI的工程师们在注意力模型的基础上,创新性地提出了流式多级截断注意力模型SMLTA,利用CTC算法对连续语音流进行截断,然后对每一个小段的语音进行建模,把原来整句的建模,变成了局部语音小段的建模。这样用户话音一落就可以拿到识别结果,保证了最佳的用户体验。

同时百度AI还针对语言混合输入进行了算法优化,罗技推出的“语音鼠标”VOICE M380就支持8种语言的语音翻译,首次通过罗技鼠标在PC上实现了中英文自由夹杂语音输入,以及粤语、四川话、东北话、河南话等7种方言免切换混合输入。

第二阶段,一体化的端到端建模技术。

市场上常见的远场语音识别技术,往往将麦克风阵列作为拾音器,然后利用多通道语音信号处理技术增强目标信号。这种先语音增强后语音识别的思路,在一定程度上提高了识别的准确率,但增强目标和优化目标可能并不一致。

百度AI的思路是“语音增强和语音声学建模一体化”的端到端建模,并提出了基于复数CNN的远场端到端建模方案,利用复数CNN 网络挖掘生理信号本质特征的特点,直接对原始的多通道语音信号进行多尺度多层次的信息抽取,避免了由于定位出错而导致识别准确率急剧下降的问题,最终远场语音识别的错误率降低了30%以上。

第三阶段,自研芯片加速产业化落地。

语音输入的隐形制约还有算力和功耗。在语音技术从云端竞争向芯片端延伸的趋势下,算力直接关系着用户体验,但传统芯片的平均功耗在1W以上,算力和功耗的两难,进一步制约了语音输入的应用场景。

在提出端到端的一体化方案后,百度AI将目光瞄向了芯片端。在2019年发布了首款针对远场语音交互研发的鸿鹄芯片,通过端到端的软硬一体化框架,将所有语音交互任务集中到一颗低功耗语音交互芯片上,提取的语音特征直接在云端进行高精准识别。目前鸿鹄芯片的平均功耗只有100mw,完全满足3C产品0．5W的待机标准。

和智能语音同时进化的,还有百度AI的机器翻译,过去十年中在大规模产业化机器翻译模型、海量翻译知识获取、多语言翻译统一框架、机器同声传译等方面进行了系统而深入的研究。特别是基于神经网络的多语言翻译统一框架,在全世界范围内首次实现了203种语言的互译。

百度AI围绕智能语音和机器翻译的战略布局佐证了这样一个事实:技术赛道并非是闭门造车,百度AI对罗技的优先赋能,正是精准把握产业化需求的体现。