阿里智能音箱的“殺手锏” 有可能是個(gè)偽賣點(diǎn)

　　不出所料，阿里還是發(fā)布了智能音箱。從亞馬遜三年前的無心插柳到今天阿里的入局，智能音箱市場(chǎng)的爆發(fā)讓人始料未及，但這的確發(fā)生了。Echo已累計(jì)銷售近2000萬臺(tái)，谷歌、微軟、蘋果隨之跟進(jìn)，之后的一段時(shí)間里，國內(nèi)的軟件廠商、硬件產(chǎn)商、內(nèi)容廠商爭相進(jìn)入，好不熱鬧。而直到本月初，阿里才正式發(fā)布智能音箱天貓精靈X1，既出乎意料又在情理之中，使得語音入口的爭奪戰(zhàn)因?yàn)榘⒗锏娜刖肿兊酶佑腥ぁ?/p>

　　那么，阿里的智能音箱到底帶來了哪些有別于其他同類產(chǎn)品的驚喜？

　　眼前一亮的“驚喜”

　　此前有媒體稱，為了這款智能音箱，阿里巴巴甚至將馬云投入上億美元的Pepper機(jī)器人項(xiàng)目中止，把人員隊(duì)伍拆分劃進(jìn)人工智能實(shí)驗(yàn)室。而花了這么大代價(jià)出來的產(chǎn)品好像似乎與Echo等音箱并無本質(zhì)上的差異，所含功能大致包括播音樂、叫外賣、查天氣、設(shè)鬧鐘、智能家電操控等。根據(jù)天貓精靈對(duì)外宣傳的賣點(diǎn)，其中非常重要一點(diǎn)就是連Echo都不具備的聲紋識(shí)別功能。

　　阿里稱，通過聲紋識(shí)別技術(shù)，音箱可以分辨家里的每一個(gè)人，并且根據(jù)每個(gè)人的喜好而設(shè)定推送不同的內(nèi)容，目前最多可以識(shí)別6個(gè)人的身份;另外，用戶還可通過自己的聲音完成購物支付驗(yàn)證環(huán)節(jié)。而Echo在分辨人的身份上，還需要通過進(jìn)一步操作來獲取用戶的個(gè)人信息。讓人好奇的是，如此酷炫的功能為何亞馬遜至今都還沒用在Echo上。

　　據(jù)悉，亞馬遜很早就想應(yīng)用這項(xiàng)技術(shù)，但據(jù)亞馬遜員工介紹，從聲紋識(shí)別領(lǐng)域的硬件和軟件公司中得到的反饋看來，讓這些語音控制設(shè)備去識(shí)別不同用戶的聲音比想象中要艱難很多?！坝捎谠O(shè)備需要去除噪音，回聲，混響，使得它難以對(duì)聽到的發(fā)聲者的身份進(jìn)行識(shí)別?！盋onexant語音部門副總裁Vineet Ganju說道。那么擁有聲紋識(shí)別的天貓精靈真的能撐起它所重點(diǎn)訴求的這個(gè)賣點(diǎn)嗎？

　　我看懸。

　　聲紋識(shí)別功能為什么懸？

　　先從聲紋識(shí)別算法層面講，聲智科技創(chuàng)始人陳孝良博士此前在接受雷鋒網(wǎng)專訪時(shí)表示，聲紋識(shí)別還是一個(gè)比較窄的學(xué)科，應(yīng)用也相對(duì)較少。現(xiàn)在大部分研究都是有關(guān)動(dòng)態(tài)實(shí)時(shí)檢測(cè)，動(dòng)態(tài)檢測(cè)的方法自然要利用靜態(tài)檢測(cè)的各種原理方法，同時(shí)也需要增加其他很多算法， 比如VAD、降噪、去混響等。VAD的目的是檢測(cè)是不是人的聲音，降噪和去混響是排除環(huán)境干擾。VAD常用兩個(gè)方法，基于能量檢測(cè)和LTSD(Long-Term Spectral Divergence)，當(dāng)前用的較多是LTSD，另外特征提取方面還需要：動(dòng)態(tài)時(shí)間規(guī)整(DTW)、矢量量化 (VQ)、支持向量機(jī) (SVM)，模型方面則需要隱馬爾可夫模型(HMM)和高斯混合模型 (GMM)。

　　從上面模型不難看出，聲紋識(shí)別還是一種基于數(shù)據(jù)驅(qū)動(dòng)的模式識(shí)別問題，因?yàn)樗心Ｊ阶R(shí)別存在的問題聲紋都存在，而且聲紋識(shí)別還有一些不太好解決的物理和計(jì)算問題。聲紋識(shí)別的唯一性很好，但實(shí)際上現(xiàn)有的設(shè)備和技術(shù)仍然很難做出準(zhǔn)確分辨，特別是人的聲音還具有易變性，易受身體狀況、年齡、情緒等的影響。若在環(huán)境噪音較大和混合說話人的環(huán)境下，聲紋特征也是很難提取和建模的。 現(xiàn)階段，遠(yuǎn)場(chǎng)聲紋識(shí)別理論并不成熟，研究進(jìn)展也不大。陳孝良認(rèn)為，深度學(xué)習(xí)帶給模式識(shí)別極大的提升，甚至還有開源的相關(guān)算法，但是聲紋識(shí)別的研究進(jìn)展仍然不大，這仍然受制于聲紋的采集和特征的建立。