聲紋識別提供商SpeakIn資深科學家陳東鵬博士談到，從聲紋識別這一單項技術來講，容易受到真實環(huán)境下的各種影響，包括：噪音問題、多人說話、身體狀況、情緒影響等，現在確實很棘手。包括他們在內的一些公司也在大力通過軟、硬件算法去優(yōu)化這些行業(yè)通用問題，在深度學習的加持下，整個行業(yè)的進步也比以往更快。陳博士補充到，聲紋識別只是一個環(huán)節(jié)，效果判斷還需看產品本身和使用場景等因素。在產品層面，剛剛發(fā)布“小雅”智能音箱的喜馬拉雅表達了他們的看法。喜馬拉雅副總裁李海波表示，對于聲紋識別的應用，公司內部也攻關了很久，但無法做到完全準確，目前還只是實驗階段，效果一般。在談及阿里天貓精靈時，他講到，遠場語音識別通常在三米到五米內有效，降噪是在70dB左右，環(huán)境噪音和音響聲音大于這個標準就很難喚醒。而遠場聲紋識別在同等距離下就更加不穩(wěn)定，目前客廳、電視機、廚房、床頭是智能音箱的四個常用場景，而除了床頭外，其他三個常用場景實際距離通常情況均超過三米，所以阿里音箱聲紋識別的具體實用性還不可得知。

　　至于亞馬遜Echo為何至今還沒用這個功能，李海波認為該技術還不成熟，雖然很炫但風險很大。另外，Sensory公司的CEO Todd Mozer也認為對Echo這樣的遠場語音設備來說，識別誰在說話是很困難的。隨著信號/噪聲比例提高，設備的表現隨之變差。“降噪和從噪聲中分離語音的處理對于用戶身份的識別有非常大的影響，目前為止，市場上還沒有產品同時處理好用戶身份識別，遠場語音和噪聲處理?！盡ozer說道。

　　再從遠場聲紋識別的實際應用情況來看，中科院自動化所、極限元資深智能語音算法專家劉斌談到了他的看法。劉博士表示，遠場語音識別受到噪聲、回聲、混響的干擾，無論是語音識別還是聲紋識別都很具有挑戰(zhàn)性。目前遠場語音識別可靠的識別距離大約是3-5米；對于聲紋識別還要更難一些。因為語音識別的目的是理解語音信號中的言語內容，言語內容信息跟共振峰高度相關，共振峰主要集中在低頻帶，語音信號低頻帶能量較高，受外部干擾相對較小，而說話人相關特征更多集中在高頻帶，語音高頻帶能量相對較低，更容易收到各種干擾的影響，因此遠距離聲紋識別更具挑戰(zhàn)。他隨即說到，因為每個人說話特征會隨著不同因素而變化，例如感冒時發(fā)音跟正常時肯定有所差異，所以近場聲紋識別還不敢保證特別成熟，遠場條件下肯定不太容易實用。總體來說，對于大多數用戶，聲紋識別應用于智能音箱并不是剛需，從技術角度分析，聲紋識別尚不成熟。

　　那么，相比遠場語音識別來說，更加不成熟的遠場聲紋識別技術為何會被阿里急著應用到音箱中呢？除了用此技術滿足用戶的個性化需求尋求差異化搶占市場外，劉博士還提到，介于阿里在電商領域的一些積累和優(yōu)勢，應用在電商身份認證也是阿里重點推進的方向。

　　阿里基于淘寶、天貓巨大的資源優(yōu)勢將購物場景引入音箱中聽上去無可厚非，但從之前亞馬遜將此場景應用在Echo上來看，用戶用其購物的使用頻率并不高，使用體驗也不理想。科大訊飛執(zhí)行總裁胡郁此前就說到，從整個市場來看，購物場景應用于音箱中還非常不成熟。真需求一定是用來滿足用戶剛需行為的功能，雖然Echo現在賣的很好，但調查后發(fā)現，用戶真正用得比較多的工具不過是設個提醒、查個天氣等等。之前亞馬遜大力推的Echo語音購物功能并沒有做起來，當用戶用語音交互的形式去買東西時，會發(fā)現里面各個環(huán)節(jié)和場景挺麻煩，還不如直接在屏幕操作來的方便。

　　所以這也是很多企業(yè)一直在強調語音交互要和視覺呈現的原因，因為用戶在面對沒有視覺呈現的情況下，你獲得的信息不夠，這時候很難完成一些復雜的操作。所以有些功能和場景都是我們自己憑空想出來的，直到真正投入實際使用時卻發(fā)現用戶的思維與行為習慣并不是產品設計的那樣。這里可以看出，如果用戶連使用電商功能的習慣都尚未養(yǎng)成，且聲紋技術問題重重，那么在電商中加入聲紋識別的訴求，目測也很難以經得住市場考驗。

　　激進的產品策略

　　總體來看，阿里此次在智能音箱中加入聲紋識別的出發(fā)點很好：大打Echo和京東叮咚都沒有的功能營銷牌，在同質化產品浪潮中，用前沿技術來提升競爭力。但在整個技術和市場尚未成熟之際，阿里仍舊急切地嫁接聲紋識別，這個節(jié)點的產品策略，顯然有些激進。