本文轉載自雷鋒網 作者：周翔

導語：小不點則是使用了安卓系統里面針對視障用戶的Accessibility輔助功能，可以直接讀屏，然后實施虛擬點擊操作，因此不需要調用第三方APP的API。

奇點機智聯合創始人林德康：前Google高級管理科學家（senior staff research scientist），主攻自然語言處理。在加入Google之前，林德康是加拿大Alberta大學計算機教授，發表過逾90篇論文、被引用超過12000次，他也是華人圈少數幾個國際計算語言學會ACL Fellow之一。

雷鋒網按：距離蘋果Siri的推出已經快6年了，期間很多智能手機廠商也紛紛將語音助手列為賣點之一，但是其使用率一直不高，究其原因，還是語音助手的功能有限。不過隨著深度學習帶來的技術進展，以及亞馬遜的Alexa的大獲成功，智能語音助手獲得了前所未有的關注，很多人都認為，語音將是下一個流量入口。

上周，樂視推出了帶有智能語音助手的手機，這款手機搭載的語音助手就是去年雷鋒網曾報道過的創業公司奇點機智的產品——“小不點”。對此，雷鋒網對奇點機智聯合創始人林德康進行了專訪。

奇點機智成立于2014年11月，兩位創始人鄔霄云和林德康曾在谷歌工作，并且在自然語言處理方面都有著深厚的技術和經驗積累。該公司曾先后入駐微軟創投加速器（MVA）第六期、以及TechCode孵化器。至于為何會選擇做語音助手？林德康表示，最主要的目的并不是因為門檻的降低，而是因為語音助手確實有用。

雖然都是語音助手，但是“小不點”和蘋果的Siri、微軟的Cortana等不同。傳統語音助手除了能夠執行系統級別的功能，比如設置鬧鐘、打電話等，功能十分有限，更像是一個“搜索引擎”；“小不點”則拋棄了業界流行的單獨的語音對話界面，轉而幫助用戶用語音來更便捷地操作手機里的各種APP，比如發微信紅包、打車、定外賣等，更像是一個“動作引擎”。

因此，使用小不點的用戶雖然是用語音在與手機交互，但是同時也在與手機的圖形界面進行交互，這就是林德康提到的CGUI——Conversational Graphic User Interface。

模擬點擊動作

對于小不點來說，其與同類產品最大的不同可能就是最后的實現過程了。

目前市面上大多數的語音助手度需要集成第三方應用的API，才能實現調用功能，然而這一方法存在很大的弊端，因為這會涉及到與第三方APP之間的談判，覆蓋的速度會很慢，而且很多語音助手都想將其他APP的功能集合到自己的界面之中，因此開發者們往往會有抵觸情緒，這也是為什么蘋果Siri這樣的語音助手在推出這么多年之后，功能依然十分有限的原因之一。

而小不點則是使用了安卓系統里面針對視障用戶的Accessibility輔助功能，可以直接讀屏，然后實施虛擬點擊操作，因此不需要調用第三方APP的API。比如用微信發紅包，用戶說完“給XXX發10塊錢的紅包”之后，小不點就會打開微信，并查找聯系人，然后跳轉到微信發紅包的界面，并預填好10塊錢的金額，你需要做的只是確認發送。

不過，林德康表示，他們并不排斥接入第三方APP的API。

此外，小不點還有一個比較智能的學習功能。你可以通過這個功能教會小不點實現目前還不能完成的操作，而且小不點在學會之后，其他的用戶未來也有可能使用這一功能。據悉，奇點機智已經為這一獨特功能申請了專利。

比如，如果你想讓小不點學會幫你“點一杯咖啡”，那么你可以直接告訴它“學習點一杯咖啡”，激活自動學習的功能，接下來你就可以開始按平常的步驟進行操作，并在所有操作完成后點擊“結束學習”即可。由于小不點會記錄這些操作過程，因此下一次只需要對它說“點一杯咖啡”即可自動完成所有步驟。

由于以上兩點優勢，小不點能夠在很短的時間內覆蓋盡可能多的APP。據奇點機智透露，小不點目前已經覆蓋了50多款常用的APP，具備上百種功能。

雖然目前小不點的公開版本還只能實現一輪對話，并不能一直在后臺聆聽，但是其內測版已經實現了多輪對話，可以通過語音實現連續操作，而不需要重新激活。

背后的技術

語音識別

雖然奇點機智是一家創業公司，而且小不點研發周期也只有1年多的時間，但是林德康表示，目前小不點并沒有采用第三方的語音識別技術，而是奇點智能一個5人左右的團隊自己研發的，而且采用的就是谷歌的TensorFlow框架。

林德康向雷鋒網透露，其實之前小不點曾采用百度語音服務來進行語音識別，后來才選擇自己做。為什么呢？原因有以下幾點：

如果使用第三方的語音識別的話，首先需要將音頻傳過去，然而傳回來的一般就只有一句話。但是實際上在這句話有很多的可能性，而第三方只會在眾多可能性里挑選一個它認為最好的傳回來。但是如果是自己能夠掌控這一過程的話，就可以將眾多可能性先預留著，然而再下一步的時候看哪一種其實更說得通。

采用自己的語音識別技術可以針對某些特定場景進行優化，比如在識別微信通訊錄里的人名的時候，如果采用第三方接口，不一定能夠識別正確，但是如果是自己的語音識別技術，系統就可以參照通訊錄里面的名字進行實時更正。

由于深度學習這一革命性進步的出現，讓語音識別領域重新洗牌，幾乎所有玩家都站在了同一起跑線上，大幅降低了后進者的門檻。因此雖然奇點機智起步較晚，但是實際上的技術差距并不大。

不過一個小團隊的一年的努力，真的能夠與大公司相比嗎？雖然林德康并沒有給出用來衡量語音識別的詞錯率（word error rate）的具體數值，但是他表示，在實測體驗的過程中，兩者表現差不多。不過，目前小不點只支持普通話，并不支持方言。

除了不斷地投喂數據，訓練語音識別的算法模型之外，還有哪些方法可以提高語音識別的正確率，降低用戶在使用過程中的挫敗感呢？林德康舉了一個例子。他表示，研發會根據APP的名字來優化語音識別的準確率。比如“摩拜單車”的“摩拜”兩個字在通用語料庫里可能并不是排名最高的，但是對于小不點的用戶來說，可能大部分時候指的就是“摩拜”，因此在優化時，他們會將這點考慮進去，來提高用戶的使用體驗。

而且作為一家小團隊，奇點機智除了購買訓練語音識別模型所需要的標記數據之外，還專門開發一款APP，讓員工利用碎片時間，來專門標注訓練所需要的數據。

語義理解

由于公司的兩位創始人都有NLP（自然語言處理）的背景，因此在這一部分會有一些優勢。林德康在回國之前就是谷歌做自動問答系統的，他表示其中有很多東西都是類似的。

比如實體識別，包括人名、地名、電影名等專有名詞，這些都是最基本的，但是要理解整句話的意思的時候，就需要推理功能了。比如當你說“我想去成都”，那么我們可能就會給你用攜程等軟件搜尋火車票或者機票，如果你說“我想去積水潭醫院”，那么我們可能就會用打車軟件給你預訂車輛。因此只是將一個個的關鍵詞列出來是不行的，還必須將每個詞進行分類，然后根據詞的表達結構做推理，才能真正理解用戶的意圖。

林德康認為，做自然語言理解最怕的就是邊界，比如Facebook的Messenger Bot聊天機器人，里面上下文的關聯太多。而做小不點這種類型的語音助手相對容易一些，雖然語音助手的可能性也非常多，但是它能做的東西是有限的，因此是存在邊界的，比如不會用戶不可能用攜程去交水費。

語音助手的前景

2014年11月，奇點機智獲得了徐小平100萬美元的天使輪融資；去年3月底，奇點機智又獲得了襄禾資本和NEA資本500萬美金A輪融資。雖然已經獲得兩輪融資，但是作為一家創業公司，未來的盈利模式很顯然也是需要考慮的事情。

林德康向雷鋒網(公眾號：雷鋒網)表示，目前團隊的注意力主要集中在打磨產品，爭取與更多的手機廠商合作，未來還會推出獨立的APP，暫不考慮盈利的事情。

據雷鋒網了解，由于奇點機智不會向合作的手機廠商收取費用，未來很可能會通過為第三方APP提供流量入口來獲取盈利。比如目前用戶想通過小不點來訂餐，但是在用戶沒有指明APP的情況下，小不點會默認打開“餓了么”，如果你的手機里面沒有餓了么，那么就會跳轉到餓了么的下載頁。當然，你可以直接告訴小不點，你想通過美團或者百度來定外賣。

對于語音助手未來的發展前景，林德康雖然也認同語音是下一個流量的入口，但是他認為“語音+圖形界面”才是未來，而不是Alexa那種完全拋棄屏幕的做法。

雖然林德康表示，利用模擬點擊來實現語音操控APP的功能是小不點的首創，但是近日網上流傳出來的演示視頻顯示，三星的智能語音助手Bixby采用的也是和小不點相同的方式，這也從側面驗證了奇點機智方向的正確性。

不過，目前計算機還無法真正理解人類的自然語言，這也是為什么就連Facebook、谷歌等科技巨頭的聊天機器人想要實現多輪對話依然十分困難，據外媒報道，Facebook的虛擬助理M和Messenger bot的進展很不順利，其中M能夠正確回應的請求只有 30%，使用情況令人失望。因此，奇點機智的這條路或許沒有很高的技術門檻，但是卻更加實際。

總結

以上是生活随笔為你收集整理的语音助手的涅槃关头，我们应该完全抛弃屏幕还是选择“语音+图形界面”？的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。