語音識別技術的進步，使語音正成為可被計算機所接受的一種數(shù)據(jù)接口，也是計算機輸入最有效率的一種形式，由此，人機交互的方式將發(fā)生變革。
近來，國內、外媒體時常會提到一款智能語音產(chǎn)品——Echo，根據(jù)Amazon公布的最新消息顯示，語音交互的代表——Echo的累計出貨量已經(jīng)超過1000萬臺，在美國家庭的滲透率達到5％。
這個小圓筒機器人體內的家伙“ Alexa”的技能已經(jīng)超過了10000項，分分鐘秒殺Siri——時刻聽你說話，不用按按鈕觸發(fā)；通過藍牙來播放音樂；從Amazon Prime上語音購買任何東西；可以語音追蹤你的包裹而且你不用等到Echo的喚醒燈亮起來再說話。
根據(jù)Alexa Skills Marketplace 的數(shù)據(jù)，Alexa10000 項技能中，被使用最多的Top 10技能是：
① 歷史上的今天：是從 history．com網(wǎng)站收集來的每日歷史知識。
② 睡前小故事：可以設置孩子們的名字，為他們講一個大約一分鐘的睡前故事。
③～⑤ 環(huán)境聲音：雷聲、海浪和雨聲。這個技能只播放環(huán)境聲音。
⑥ Jeopardy！ J6：是一個來自電視節(jié)目的每日腦筋急轉彎。
⑦ Ditty：會根據(jù)你的話語，做成一首歌。歌曲可以選擇快節(jié)奏或慢節(jié)奏，或基于某個主題。
⑧二十題挑戰(zhàn)：在20個問題之內讓你猜測動物、植物等。
⑨ 好奇心：分享各種知識。
⑩ Inspire Me：提供每日格言。
另外，Echo最強大的技能是遠距離語音識別和噪聲抑制，你在家里任何一個地方呼喚Echo，即使有噪音，它都能聽到，最遠距離可達12米！這下Siri真的被啪啪啪打臉了?？蓱z的Siri只能在近距離且安靜的環(huán)境中才能被你調戲。
VoiceLabs估計，2015年以語音為主要交互方式的智能硬件出貨量為170萬臺，2016年的出貨量達到650萬臺，預計2017年將有2450萬臺智能語音設備送到消費者手上，累計出貨量將達到3300萬臺，市場規(guī)模超過200億美元。從圖中可以很明顯的看出，以語音為主要交互方式的智能設備出貨量的增速非?？欤^3倍。
美國市場在該領域比較典型的就是Echo和Google Home，中國市場有Rokid和叮咚。
Rokid是一家面向C端用戶，提供新型家庭機器人助手和智能家庭產(chǎn)品的公司，其主打產(chǎn)品為Rokid家庭智能機器人以及即將正式出售的便攜款Rokid．Pebble。 而叮咚則是由一款智能音箱產(chǎn)品。這兩款產(chǎn)品都是以語音為主要交互方式的智能設備。另外，不管是美國還是中國，廠商都有一個野心——想做一款入口級產(chǎn)品，即智能家居控制中心（盡管目前中美兩國都還處于早期探索階段）。
在 Echo 流行之前，已有一家叫 Nest 的公司將智能硬件普及到美國的很多家庭中。從“2016年中美用戶安裝智能家居系統(tǒng)的家庭數(shù)量對比圖”可以很明顯的看出，中國目前的智能家居產(chǎn)品的覆蓋率還非常非常低，距離美國有15倍的差距。而只有智能家居產(chǎn)品的覆蓋率達到一定程度，類似于Echo這種智能音箱的“語音控制智能家居產(chǎn)品”的功能才有用武之地，否則只會是一個多余的功能擺設。當然，不管是中國還是美國，也都在等這塊市場成熟，顯然中國等待的時間還會更長，小米等廠商的智能家居布局之路“任重而道遠”。
美國用戶已經(jīng)養(yǎng)成了為內容付費的習慣，他們非常重視版權保護。雖然從去年開始，中國的內容或者知識付費被提到很多，但是讓用戶、尤其是普通用戶養(yǎng)成為內容付費的習慣還有很長的路要走。目前由于國內智能家居市場還遠沒有成熟，所以用戶對通過智能語音設備控制智能家居的需求度還很低，更多的用戶會拿這些設備去聽音樂、聽故事或者是書籍等。但是由于近來版權收緊，這些智能語音設備廠商要么與版權方在資源上有合作，要么就需要為版權付費，然而設備廠商又無法通過內容從C端用戶身上收到錢，這就很尷尬了。
所以，國內廠商目前還處于非常早期的探索階段。即使“渠道＋技術”優(yōu)勢都已經(jīng)具備，但是做得還是不溫不火，這與國內大環(huán)境和用戶習慣有非常大的關系。即使是在美國，Echo目前常用的功能也就是播放音樂、控制智能燈、定鬧鐘、讀新聞等。這些常用功能和控制智能家居，成為入口級產(chǎn)品的野心相差還是非常遠的。在美國尚且如此，在中國就更不用說了。
Echo的成績前面也已經(jīng)提過了，目前的數(shù)據(jù)非常亮眼，所以我們也有必要來總結和復盤一下，為什么Echo能取得如此好的成績。
第一、Amazon對Echo的支持力度和決心非常大。Echo的內部研發(fā)工作從2011年就已經(jīng)開始，并且之前在硬件（Kindle等）方面就已經(jīng)有一定的積淀，隨后吸收了語音識別公司Nuance的部分員工，并且還收購了兩家語音技術公司Yap和Evi。等到Echo正式面市的時候，Amazon又不惜投入重金在各大渠道為Echo宣傳和促銷，同時還將Echo放在Amazon電商網(wǎng)站的顯眼位置，從而獲得了巨大的流量。而Echo的研發(fā)團隊也在不斷擴大，目前整個團隊已經(jīng)超過1000人。除此之外，Amazon的CEO貝索斯對于產(chǎn)品近乎嚴苛的要求，例如：要求將Echo的反應時間控制在1秒。
第二、Echo尋找到了一個正確的“引爆點”來激發(fā)消費者的購買欲。超過 40％ 的早期測試者說他們使用 Echo 主要目的是聽音樂。然后研發(fā)小組加倍投入精力，把音樂設計為 Echo 的主要功能之一。在人工智能還處于“弱智”階段時，以“智能音箱”的邏輯切入，用戶可以通過語音來播放音樂，能夠降低用戶的期望值。并且Echo是第一款能通過語音（遠距離拾音）來控制設備的產(chǎn)品，正如iPhone面市時的觸摸屏方式，對人機交互方式做出了一定的變革，能夠給用戶帶來新意和好奇感。再加上價格也不算很貴（最高價：179．99美元，約合1250人民幣；最低價：49．99美元，約合345人民幣），所以用戶會很愿意去嘗試。
第三、圍繞語音交互設計產(chǎn)品。Echo只提供語音一種交互方案，除了揚聲器和麥克風，Echo沒有其它交互接口。Echo“強迫”用戶使用語音與設備互動，教育用戶，培養(yǎng)用戶的使用習慣。
第四、硬件設備（Echo）＋軟件服務（Alexa），打造生態(tài)體系，建立數(shù)據(jù)壁壘。Echo成為Amazon將智能硬件產(chǎn)品鋪到千家萬戶的“殺手锏”，Echo的數(shù)據(jù)表現(xiàn)也讓人們看到了以語音為交互方式的智能硬件時代已經(jīng)到來，這就為Amazon開放基于Alexa的軟硬件開發(fā)者平臺提供了良好的基礎。Alexa Skills呈現(xiàn)出爆發(fā)式的增長，目前的Skills已經(jīng)超過10000種。同時，接入Alexa的智能硬件設備也在快速增長，比如：華為美國版Mate 9手機就內嵌了Alexa語音系統(tǒng)等。整個生態(tài)體系的搭建離不開最初Echo的推出。而Echo的大規(guī)模鋪貨以及生態(tài)體系的搭建，又能為Amazon帶來大規(guī)模的數(shù)據(jù)，尤其是專業(yè)領域的真實場景數(shù)據(jù)和實時數(shù)據(jù)，從而將Alexa訓練得更加“聰明”。
另外，Amazon Echo和Google Home還沒有進入國內，一方面由于中文語音／語義識別和文化差異導致，另一方面中國的防火墻將國外廠商給“無情”地擋在了外面。那么，國內市場中目前主要的廠商／產(chǎn)品就是Rokid和叮咚了，同時也還有不少潛在進入者，就目前整個市場階段來看，還處于非常早期的教育用戶和培育市場階段，各廠商當下最重要是要找到中國市場的“引爆點”或者是應用場景，同時去打磨產(chǎn)品，等待這塊市場的爆發(fā)。所以現(xiàn)在談競爭還為時尚早。
微軟和蘋果據(jù)傳一直在研發(fā)類似于Echo和Google Home的產(chǎn)品，但是這兩家巨頭也可能從其他角度切入市場。例如微軟的HoloLens VR頭顯，目前也支持語音控制VR體驗；蘋果的無線耳機AirPods，支持通過Siri來控制。在推出的短短一個月內，蘋果AirPods就占據(jù)了美國無線耳機26％的市場份額。而三星在2016年8月也被曝出正在做類似于Echo的智能音箱，并且其新品Scoop的設計圖還在網(wǎng)上被曝光，但直到現(xiàn)在該產(chǎn)品也沒有正式面市。同時，三星也在2016年10月收購了AI助手系統(tǒng)Viv公司，而其聯(lián)合創(chuàng)始人正是“Siri之父”。并且在2017年3月，三星在 Galaxy S8 問世之前，率先公布了內置于手機之中的人工智能助理 Bixby。
可以看到，不管是國內還是國外，巨頭們都紛紛在語音交互市場搶奪賽道。尤其是面向C端用戶提供以語音為基礎的智能硬件市場，巨頭林立，創(chuàng)業(yè)公司涉足會面臨非常大的壓力，但是面向C端用戶的市場想象空間更大，如果創(chuàng)業(yè)公司能夠找到具體的落地場景和應用，并且對于團隊、資金、技術、資源等各方面都足夠自信，或者能夠伴上“干爹”，涉足C端市場也是很好的選擇。但目前對于國內的大多數(shù)創(chuàng)業(yè)公司來說，針對B端客戶或者是垂直行業(yè)輸出解決方案是更好的選擇。這樣可以避開巨頭的直面競爭，在技術發(fā)展早期段彌補產(chǎn)業(yè)的薄弱環(huán)節(jié)，現(xiàn)金流情況會更好。
另外，語音和視覺目前還被分得比較開，但是長遠來看，語音和視覺在AI領域一定會統(tǒng)一，因為這更符合人的自然習慣。這也是為什么VR／AR會火的重要原因，VR／AR最后也會將語音統(tǒng)一進去。
