羅技和百度AI這對跨界組合，正在重新定義語音輸入。
4月13日，全球著名云周邊設備供應商羅技推出了一款“語音鼠標”，在百度AI的優先賦能下，用戶點擊鼠標上的語音鍵就能進行語音輸入，不僅在PC端實現了中英文自由夾雜語音輸入，還可以實時進行多種語言的語音翻譯。
其實類似的概念并非是羅技首創。早在兩年多前就出現了主打“語音輸入”的鍵鼠類產品，諸如“智能鼠標”的概念也被多家品牌借用，但無一成為現象級的爆款產品，PC端語音輸入的用戶習慣也無從談起。
百度AI為何要在這個時候進行跨界，并選擇牽手羅技這樣的市場領導者，背后到底隱藏了什么樣的野心？
人類對語音輸入似乎有著天生的執念。
早在2000年前后，個人電腦還屬于少數人的玩物，IBM推出的軟件工具ViaVoice就開始風靡全球。按照IBM的設想，ViaVoice將在人與機器之間擔當“翻譯”，只要一句話就能編排文本格式、控制桌面、操作程序、發送Email……
雖然IBM解放雙手的革命未能如愿，卻為整整一代人種下了“動口不動手”的交互理念。比如在2018年的時候，羅永浩推出了宣稱是“下一代個人電腦”的TNT，試圖將IBM講述的“美麗童話”從傳說變成現實。遺憾的是，老羅的TNT乃至后面推出的“智能鼠標”，都和ViaVoice一樣成了被懷舊的對象。
為何語音輸入一度成了懸而未決的世紀難題？可以找到三個直接相關的痛點。
一是連續語音輸入的“尷尬”。
語音輸入并非沒有落地的場景，和智能音箱的語音交互、聊天時的語音識別等等，可以說是屢見不鮮的場景，然而切換到辦公時長篇幅的連續輸入，現有的語音識別模型常常出現“宕機”的問題。
時間追溯2015年，注意力模型已經是語音識別的主流技術，在語音識別的準確率方面有了突破性的進展，但注意力模型大多是基于整句的建模，通過機器學習選擇和當前建模單元最匹配的特征，導致句子越長識別難度就越大，出錯的概率也就越高，同時還伴隨著較長的用戶等待時間。
二是遠場語音識別的不足。
網上流傳著使用TNT工作站的段子：想要在辦公室里用語音操作TNT，先要提前喊一聲“安靜”，讓周邊的同事自動進入到消聲狀態，不然TNT可能不知道是誰在說話，語音識別的準確率讓人堪憂。
背后牽涉到的是遠場語音識別技術，如果目標聲源距離拾音器比較遠，將導致目標信號衰減嚴重，加上嘈雜的外部環境制造了太多的干擾信號，最終導致信噪比較低、語音識別性能比較差。我們已經習慣在手機上對著麥克風說話，但不可能以趴在電腦上的姿勢對著屏幕進行語音輸入。
三是語言混合輸入的難題。
即使不考慮長句子連續輸入和遠場識別的問題，日益進化的語言習慣也一度制約語音輸入的普及。就像很多人在工作中常常出現中英詞匯混用的情況，或者有時候飚一句方言，都可能難倒識別工具。
盡管一些語音識別工具推出了多種語言的識別模型，可在過去很長一段時間里，需要用戶先手動切換至想要識別的語言，比如你想要用四川話進行語音輸入，先要到輸入法的設置中將語言設定為四川話，說普通話的時候再去切換回來。不僅進一步增加了用戶的學習成本，體驗也不盡如人意。
在種種待解痛點的制約下，語音輸入的想象固然美好，但前提是進行一場技術上的長征。可以佐證的是，微軟剛剛以197億美元的價格收購了Siri背后的語音技術玩家Nuance，計劃將Nuance的語音識別技術和旗下其他產品整合，以接棒在技術和場景上落后而被迫默默退場的Cortana。
而在語音技術的賽道上，百度已經奔跑了十年。
2010年百度正式成立了語音團隊，主要研發百度語音識別、語音合成等在內的一系列核心技術，并逐步將百度的語音技術應用于小度智能音箱、百度輸入法、小度車載助手、百度智能語音呼叫中心等產品。
不過在PC端語音輸入的話題上，百度AI在很長時間里并未追逐“智能硬件”的風口，默默制定了語音技術的三步走戰略：
第一階段，語音識別算法的持續打磨。
為了解決連續語音輸入的痛點，百度AI的工程師們在注意力模型的基礎上，創新性地提出了流式多級截斷注意力模型SMLTA，利用CTC算法對連續語音流進行截斷，然后對每一個小段的語音進行建模，把原來整句的建模，變成了局部語音小段的建模。這樣用戶話音一落就可以拿到識別結果，保證了最佳的用戶體驗。
同時百度AI還針對語言混合輸入進行了算法優化，羅技推出的“語音鼠標”VOICE M380就支持8種語言的語音翻譯，首次通過羅技鼠標在PC上實現了中英文自由夾雜語音輸入，以及粵語、四川話、東北話、河南話等7種方言免切換混合輸入。
第二階段，一體化的端到端建模技術。
市場上常見的遠場語音識別技術，往往將麥克風陣列作為拾音器，然后利用多通道語音信號處理技術增強目標信號。這種先語音增強后語音識別的思路，在一定程度上提高了識別的準確率，但增強目標和優化目標可能并不一致。
百度AI的思路是“語音增強和語音聲學建模一體化”的端到端建模，并提出了基于復數CNN的遠場端到端建模方案，利用復數CNN 網絡挖掘生理信號本質特征的特點，直接對原始的多通道語音信號進行多尺度多層次的信息抽取，避免了由于定位出錯而導致識別準確率急劇下降的問題，最終遠場語音識別的錯誤率降低了30%以上。
第三階段，自研芯片加速產業化落地。
語音輸入的隱形制約還有算力和功耗。在語音技術從云端競爭向芯片端延伸的趨勢下，算力直接關系著用戶體驗，但傳統芯片的平均功耗在1W以上，算力和功耗的兩難，進一步制約了語音輸入的應用場景。
在提出端到端的一體化方案后，百度AI將目光瞄向了芯片端。在2019年發布了首款針對遠場語音交互研發的鴻鵠芯片，通過端到端的軟硬一體化框架，將所有語音交互任務集中到一顆低功耗語音交互芯片上，提取的語音特征直接在云端進行高精準識別。目前鴻鵠芯片的平均功耗只有100mw，完全滿足3C產品0.5W的待機標準。
和智能語音同時進化的，還有百度AI的機器翻譯，過去十年中在大規模產業化機器翻譯模型、海量翻譯知識獲取、多語言翻譯統一框架、機器同聲傳譯等方面進行了系統而深入的研究。特別是基于神經網絡的多語言翻譯統一框架，在全世界范圍內首次實現了203種語言的互譯。
百度AI圍繞智能語音和機器翻譯的戰略布局佐證了這樣一個事實：技術賽道并非是閉門造車，百度AI對羅技的優先賦能，正是精準把握產業化需求的體現。
消除了用戶體驗上的痛點，百度AI開啟了語音技術的產業化進程。
百度AI和羅技跨界推出主打語音技術的“鼠標”，不失為一次有示范效應的練兵。正如前面所提到的，從IBM的ViaVoice開始算起，語音輸入在PC上的應用已經持續了20多年，期間誕生了形形色色的軟硬件產品，但未能改變“鍵鼠”的市場地位，大多數新奇的產品最終被人們選擇性遺忘。
百度AI和羅技則為語音輸入開啟新的篇章。
一方面，目前百度AI的中文語音識別率已經達到98.6%，背后是人機交互效率的再次刷新。比如大多數打字員每分鐘輸入的字數在80到200之間，而百度AI的語音輸入在實驗室環境中可以達到每分鐘400字，何況語音輸入的門檻相對更低，小孩子、老人、視覺障礙人群等特殊人群也可以使用，人機交互的成本和效率都在被拉平。
另一方面，百度AI和羅技的跨界為語音輸入找到了新的應用場景：除了單純的文字輸入場景外，還可以用于會議、演講、采訪等場景下的文字記錄；語音翻譯功能緊緊貼合了當前辦公場景中，和外國同事、客戶等跨語言溝通交流的需求……相較于20多年前替代鍵盤的單一訴求，語音輸入的價值正越來越多元，應用場景也越來越廣泛。
進一步深挖的話，百度AI和羅技的跨界不僅為語音輸入的“夢想”畫了一個句號，正式推出的“語音輸入服務”，也為智能語音的產業化提供了新的思路。
語音技術之所以被頻頻聚焦，原因在于語音正在逐步改變固有的人機交互習慣，并且已經在家庭、車載等場景中被驗證。正如鼠標、觸摸屏等曾經引發的浪潮，語音交互大概率將催生出新的生態，而那些無法適應新趨勢及時迭代進化的產品，不排除一步步被市場所淘汰的可能。
于是“+AI”漸漸成了行業的熱門話題，幾乎所有的行業都在思考利用AI降本增效或轉型升級。百度代表的人工智能領頭羊也逐漸意識到：人工智能的使命不是顛覆或重構一個行業，而是幫助行業找尋新的增長動能。
對應的動作就是百度大腦在6.0時的升級，作為百度AI多年技術積累和產業實踐的集大成，百度大腦被定義為中國智能經濟的基座，試圖通過軟硬一體的能力輸出，避免合作伙伴們一次次重復造輪子。其中語音能力恰是百度大腦的核心優勢之一，每天的調用量早已超過155億次。
百度AI對羅技軟硬一體的優先賦能，和百度大腦加速產業智能化升級的戰略不無關系。不同于行業中常見的兜售算法形式的合作，百度AI針對羅技桌面級的場景進行了單獨的優化和適配，并選擇以軟硬一體的方式幫助羅技打造真正的殺手級產品，在產品力和用戶體驗上形成獨一無二的技術壁壘。
而當羅技這樣的行業領導者主動擁抱百度AI，也在某種程度上預示著智能語音的產業化開始進入大航海時代。
百度AI x 羅技的范式，為智能語音的落地撕開了一道口子。
可以預見的是，鼠標絕不會是二者跨界的唯一產品，后續百度AI的智能語音將逐步兼容更多的羅技產品；同時羅技也不會是唯一加入到“+AI”行列的品牌，語音技術在各行各業的應用落地進程正在加速。
借用一句古話來說：“舊時王謝堂前燕，飛入尋常百姓家”。在百度AI持續對外賦能的姿態下，我們的生活正逐步被AI改變。
