到底能否取代键盘 解析语音软件进化史

 2011年苹果Siri的问世，让很多人见识到了“语音软件”的强大。其实早在二十年前，台式机上就出现了号称“将取代键盘”的语音输入软件，不过当时的 用户实在难以接受它们奇慢的输入速度和奇高的错误率。之后，语音技术被用在社交领域，90年代末铺天盖地的语音聊天室让“声音”成了最常见的人机交互方 式。

从当年的“ViaVoice”到今天的“讯飞语点”；从当年简陋的语音聊天室到今天已经上市的“YY语音”。20年来，语音软件发生了哪些故事？

声音软件：从“语音输入”开始

说到与声音有关的软件，早期要以“语音输入”类为代表，例如IBM在90年代中期推出的“ViaVoice”。这是一种通过麦克风输入中文的程序，用户只需要做对着话筒喊出要输入的字符，ViaVoice就会自动识别并且输入汉字。

这款软件诞生后，国内企业立刻跟着做出了好多类似产品，如“汉王听说系统”、“天音话王”、台湾声硕公司的“说亦通”。这些软件都打着“解放你的双手”旗号，一时间风光无限。

我们来回顾一段当时1999年时“汉王听说系统”的产品介绍：“用户通过话筒，以正常的语速朗读文本，计算机就可自动识别。而且产品设有语音回放功能，对 没有被识别的部分，可直接用汉王笔进行修改。”“语音与手写输入的结合，既保留了语音识别速度快的优点，又发挥了笔输入在编辑修改方面的长处。听写输入将 成为汉字输入的主流。”

这种软件看似不错，其实也只是“看上去很美”罢了。首先，语音输入软件的输入效率低。当时汉王听写系统的录入效果只有60字/分，而且错误率高。如果用户 将一篇较长的文章全读完了再从头修改，工作量依然很大。其次，这种软件对文章的前后逻辑性要求很高，连续语音识别仍存在较大问题。此外，这种软件对同音 词、多义词的识别仍有较大缺陷。

20世纪末，计算机刚刚进入中国家庭，很多人不熟悉键盘操作，所以能代替键盘的语音输入软件就格外受欢迎。等几年后电脑普及开来，人们的打字水平普遍提 高，这种语音输入软件也就不再有市场了。看看现在的办公室，“哒哒”的敲击键盘声已经基本否决了当时语音输入厂商的“主流”判断。

语音合成软件

除了语音输入，90年代的“声音软件”还有“语音合成类”。这种技术能使电脑具有类似人一样的说话能力。笔者记得，当时语音合成技术被广泛应用在学英语的软件上，什么轻轻松松背单词，洪恩英语，金山词霸等，后来还衍生出各种听书软件。

早期的语音合成技术非常简单，效果也很粗糙。软件只是把自带语音库中的字词直接拼接起来，所以听起来生硬无比。这项技术至今也还在发展阶段。而作为最基本也是最高的要求，“自然流畅”似乎永远也没有尽头。

通讯工具

说话是最快捷的交流方式，它在社交活动中不可或缺。而上述两种“高科技”声音软件的交互目标都是“电脑”，不是人。真正把信息重心回归到“人”身上的软件，反而是没什么技术含量的“语音聊天室”。

十几年前，中国的网吧里随处可见“抢麦”的聊天室用户。他们大声喧哗，时哭时笑，虽然不怎么雅观，但激情四射，无可阻挡。正因为语音是比文字更高效的通讯手段，所以它成为聊天室后无数通讯、社交工具标配功能。

通过上面的介绍我们不难发现：从语音输入再到语音聊天，“声音软件”其实分成了“人—机”、“人—机—人”两种交互模式。第一种是技术流，重视技术沉淀和 数据积累，延续到现在就是Siri、讯飞语点这样的智能语音助手；第二种则是服务流，重视人与人之间的社交需求，QQ、微信、陌陌就是如此。下面我们就从 三个方面来详细解读这些语音软件。

从X86台式机到智能移动终端

没人会时时刻刻在QQ上与好友语音，但有很多人拿着手机抽空用微信发送语音消息；

除了网游玩家，没人天天开着YY语音絮絮叨叨，但有很多人每天临睡前在“唱吧”上高歌一曲；

没有谁习惯用声音控制电脑的开关，但“声纹解锁”已经成为很多移动设备的必备功能；

很少有人会用语音输入软件在电脑上写文章，但通过手机语音输入发短信的用户却不少……

在桌面系统时代，不便的操作方式让“声音软件”并不那么受关注。但是在移动互联时代则大不相同——手机对“声音”的支持是全方位的。相对于电脑，手机上的“声音软件”有着得天独厚的硬件优势，也更符合人们的使用习惯。

从2010年至今，市面上出现了各种移动声音软件：能发语音短信的TalkBox；支持多人对讲的微信；能回答问题的Siri；各种手机语音输入法；能唱歌的“唱吧”……甚至连“啪啪”这样的声音配图软件都火得一塌糊涂。

电脑上的声音软件需要麦克风和音响，需要安装驱动，需要调试；而手机上的声音软件则大幅降低了使用门槛，用户只需要点击一下就能轻松获得快捷体验。手机抓住了用户所有的碎片化时间，短平快的使用节奏配上天然的硬件支持，手机和声音软件一触即响，飞快地融合为一体。

当然，移动端的爆发并不意味着电脑端的衰落。电脑在办公方面还占有相当大的优势。像Siri这样语音助手，你不希望在电脑上也有一个么？

从纯机器发音到人工智能

既然前文提到了“Siri”，那就来说说被炒得热火朝天的智能语音助手。国外有苹果Siri、Google Now；国内有讯飞语点、百度语音助手等。这些软件支持自然语言输入，能“听懂”用户的话，能帮助用户查看天气预报、安排日程、搜索资料甚至查询订票。

对于这些重视“人—机”交互的语音助手来说，有三大声音技术是其必须迈过去的门槛：声音合成、语音识别、语义理解。

语音合成，使电脑具有类似于人一样的说话能力；语音识别，让电脑能够“听懂”人类的语音，将语音中包含的文字信息“提取”出来。对于两项技术，目前的软件已经基本都能达标。

但是，语义理解就是一个很难攻破的堡垒了。现在的语音助手或许知道用户说了那些字，但很多时候无法领会文字背后的真正意图。Siri就曾被谷歌诟病“听不懂人话”。所以，去年苹果公司为了宣传Siri的理解能力还特地制造了一场“找三陪”的事件营销：

通过Siri搜索“哪里能嫖娼？”，它竟然会提供多达数十个有“三陪服务”的娱乐场所。这功能虽然涉嫌违法，但也从反面证明了苹果Siri的进步——“谷歌你不是说我听不懂人话吗？告诉你，我知道嫖娼和找三陪是一个意思！”

语义理解，需要语音软件拥有强大的自学习能力。这就要求软件开发者拥有一个庞大而完善的数据库来提供数据支持。但是现阶段的智能语音应用还没有整合足够多 的生活信息，而且汉语中庞杂的多义词、近义词、反问语气、俚语、俗语等非常规语态的存在，也给开发者编写算法造成了很多麻烦。

总之，智能语音助手的语义理解能力，和当今的人工智能技术联系紧密，其难度之高并不是一家或几家公司就能完成的。对于这类应用来说，现在只是开始，这种新兴的软件还有很长的路要走。智能语音真正深入到我们的生活，还需要好多个Siri级别的应用来引爆。

从语音工具到语音平台

对用户而言，每一款声音软件都有其独特的“能力标签”，如：微信能发语音信息；YY能群聊；百度语音助手会搜索……这些软件以工具的形态出现，用户有需要就使用，没需要就删除。

但是对软件开发者而言，他们最怕自己的产品永远都只是工具。奇虎360的CEO周鸿祎曾称工具类软件为“侏儒项目”。因为工具是没什么技术门槛的，内容继承性差，大多只能离线使用，所以用户忠诚度低，容易被大公司模仿。

在移动互联时代，靠几个好点子就能扬名立万的软件开发商已经不存在了——当年的TalkBox被米聊模仿，后来米聊又被微信模仿。小鱼吃虾米，大鱼吃小鱼，著名段子“防火防盗防腾讯”由此诞生。

面对这种情况，那些有着先进的技术和优秀的体验，而且用户基础已成规模的语音工具，该咋办？目前最理想的道路，似乎是“平台化”，PC端语音软件“YY语音”就是平台化的典型案例。

YY语音：让别人也能赚钱

常去网吧的朋友都能看见这样一群人：一边玩游戏一边叽哩哇啦说个不停，他们亢奋起来无所顾忌，严肃起来又条理清晰。他们就是把YY语音当成游戏内通讯工具的网游玩家。

作为一种跨平台的实时语音工具，YY语音能满足游戏玩家在游戏中实时交流的需求。多年来，YY语音平台吸引了大批网游玩家，特别是游戏公会的玩家。在YY作为游戏语音工具的同时，大量的游戏用户基础也使YY成为了一个将用户导入游戏联运平台的渠道。
[nextpage]
除了游戏，YY语音在音乐和教育也有所动作：YY音乐向用户开放自建频道，频道所有者可以自己活组织他人唱歌表演；YY语音的教育频道向任何第三方个人或者教育机构开放，他们可以在欢聚时代的YY语音开设自己的教育频道。

2012年11月，YY语音在美国纳斯达克正式上市。YY在2009年总注册用户才3700万，到2012年9月已经增长到了4.01亿。

YY语音搭建了一个“让别人能赚钱的语音平台”。随着进入该平台的行业越来越多，YY语音的立足之处也越来越大，这也是YY能够叫板腾讯的底气。

讯飞语点：对其他软件提供技术支持

除了YY语音这样的社交语音软件，智能语音助手也在搭建平台。像科大讯飞就推出了“语音云”平台。根据去年的数据，基于讯飞“语音云”的应用开发合作伙伴超过3100家，终端用户达3000万。讯飞的平台化策略是“对其他软件开发者提供语音技术支持”。

微信：既是媒体平台也是技术平台

腾讯的微信也推出了微信公众平台。个人和企业都可以打造一个微信的公众号，并实现和特定群体的语音的全方位互动。此外，微信还开放了API接口，支持多种第三方插件，未来可能引入更多语音功能。

小结：

自己技术再牛，闷着头单干也躲不过被“模仿、超越、替代”的结局。只有建立平台，接纳更多的企业使用自己的功能才能真正生生不息。对于“语音”这种普适性极强的交互方式来说，这并不是多大问题。还是那句话——“自己吃独食是傻事，能给其他人饭吃的才是本事”。

语音工具，不平台不成活！

“语音不是万能的！”

对于语音软件的未来，每个人都有不同的理解。比尔盖茨的理解就很霸道——“语音输入必将取代键盘！”他的底气来自哪里？来自微软的语音识别技术——用户对 着微软语音识别系统说几句英语，几秒钟后，计算机就能用原声原调译成标准普通话。微软公司曾骄傲地说：“五年后微软将打破人与人之间的语言障碍。”

但是：

你能用语音输入连续打字8小时么？

你能用语音输入打Dota么？

你能“一耳十行”地听文章么？

语音对于环境有较大要求，我们不可能在一个非常嘈杂的环境中使用语音软件；语音的可视性也很差，我们很难在微信聊天记录中找到某句说过的话，也很难快速浏览“啪啪”用户的留言。

总结：

语音只能在一定程度上取代双手，键盘仍然在精确性、连续性、可视性方面有着不可替代的优势。笔者猜测，未来的语音软件可能会在以下几个方向有较大发展潜力：

1、替代人工服务，比如同声传译、速记员，甚至包括电话客服人员等。语音技术可以帮助节约人工成本，这是在客户服务方面体现出的价值。

2、语音功能可以在无法使用双手的环境中发挥作用，比如厨房、驾驶，甚至包括使用手机时。一个好的语音助手可以帮用户快速实现操作；一个方便的通讯工具可以让用户轻松完成交流。

3、从商务模式上说，语音技术的开发者可以和其他行业建立比较稳固的合作模式：微软的语音产品将作为福特的语音导航助手；科大讯飞为很多公司提供了语音识别支持；智能家电产品急需语音技术的引入。

[1]