会说方言不算本事

“支付宝到账1亿元。”

这不知道是多少人做梦都想听到的一句话，然而现实中，顶多也就个几块钱、几百块到账的消息。

近日，支付宝还贴心的推出了方言版，分别有武汉话、上海话、广东话、东北话以及成都话5个版本，让网友直呼亲切，其他地区的网友也纷纷催促：河南话呢？长沙话呢？温州话啊通通安排起来！

从让机器说话，到让机器说方言，语音包的花样是越来越多了。

说到语音包玩花样，高德地图可以说是互联网行业第一个吃螃蟹的人，2013年，志玲姐姐的娃娃音台湾腔在高德地图一上线，立刻引爆市场。而后，高德地图又推出了郭德纲、小岳岳、高晓松、罗振宇、罗永浩等各个领域的名人的语音包，意在满足不同人群的喜好。

作为人类，可以轻而易举识别出机器发出的声音，并且理解他们所说的内容，难的是，如何让机器人听懂、理解人类说话？

前文中所提到的一个个语音包，无论如何变换音色、口音都只是小学生阶段，语音交互这门学问才是大学生研究的内容。

目前，人们可以通过文字，以触屏、键盘、鼠标等工具向机器发号施令，这种技术已经十分成熟，语音交互则尝试通过说话与机器交流。

近几年，天猫精灵、小度智能音箱、小米的小爱同学相继出现在大家的视野。人们可以与其进行对话，例如询问天气，问一些“魔镜魔镜你觉得世界上谁是最漂亮的女人”之类的无聊问题，打发时间。

当然，这些智能音箱还可以播放音乐、与家中的电器连接，并且控制他们的活动。

类似情节在古代的神话故事中多次出现过，例如《西游记》中，孙悟空在平顶山大战金角大王和银角大王。

“我叫你一声，你敢答应吗？”

只要一答应，就会立刻被吸入宝葫芦中，化为浓水。这个宝葫芦不仅能听懂人话，还能分清楚声音出自何人之口。

遗憾的是，宝葫芦不会说话，智能音箱们可能还会礼貌地通知你一句：“金角大王已经化成浓水，请放心。”

人工智能or人工智障

早在1962年，IBM就发明了第一台可以用语音进行简单数学计算的机器Shoebox。

2011年，苹果发布手机助力Siri，语音交互由此翻开了新的篇章。

走到今天，语音交互已经付出了非常多的努力，但还是远远不够。

语音交互其实与人的信息处理过程差不多，先要识别语音，再进行理解，最后做出反馈。虽然就只有简简单单的三个步骤，但每一步，都行之不易。

首先，在识别语音的过程中，可能因为场景噪音、说话习惯等影响语音质量。

当我们使用手机的录音功能时，也可以发现，如果手机距离声源较近，就能保证录到质量较高的语音信息。而一旦距离变远，再加上汽车鸣笛等环境噪音、回声、混响，就很难说了。

其次，机器人对语音的理解效果，受到多种因素的影响。

正如微信可以将普通话语音转化为文字，一旦涉及到方言，就知识超纲了。机器人难以识别有口音、普通话不标准或者吐词不清的信息，对于此类信息，要么是答非所问，要么就是无意义地重复：“请再说一遍。”

这也就导致，普通话不太标准的雷军在发布会上展示小爱同学时，场面一度尴尬。当雷军问小爱同学，三个木叫什么时，得到的回答却是“你是电，你是光，你是唯一的神话”，引得全场爆笑，“人工智障”这个绰号也由此而来。

另外，中国文字，博大精深。人们表达的习惯本就多种多样，不同的对话场景中，所用词汇的含义和情绪也会不同。而且随着对话轮数的增加，人们在对话时会把之前提到过的信息省略，人脑自然可以理解，机器就不明就里了。

例如，你问：明天的天气怎么样？

“晴，32摄氏度。”

“后天呢？”

机器还能明白这里的后天，是指后天的天气吗？

语音交互是一项非常复杂的工程，当前技术的发展还不足以理解所有场景，但能完成特定场景、特定任务中的对话要求，也开始在某些内容标准、重复度高的行业开展了服务，例如客服行业。不难发现，各大商场的每个楼层都放置了导购机器人，方便为人们引路。

未来，语音交互技术一定会在更多行业和场景落地。

语音交互鸡肋吗？

对于用惯了鼠标键盘、习惯了打字输入信息的人来说，与机器说话有种说不出的诡异和不自在。有人认为语音交互很“鸡肋”，食之无用，弃之可惜。

但不得不承认的是，语音交互让很多被隔绝于互联网、智能化之外的人，接触到这个高速发展的现代社会。

我们向来是先学说话，再学认字、写字，有很多人学习语言的过程，就只是停留在学习说话，一个大字都不识，特别是农村的中老年人群。与语音交互相比，鼠标键盘也好，触屏手机也好，丰富的应用软件也好，对他们来说都需要极高的学习成本。

我国三线以下城市及农村乡镇地区人口多达10亿，60岁以上老人占比18%，就算只针对这些老人，依然还有2亿左右的语音交互的潜在用户。

另外，盲人也是被隔绝在互联网世界之外的群体，根据世界卫生组织2010年的统计数据显示，中国的盲人群体共有824.8万，十年过去了，这个数字只增不减。

老人也好，盲人也好，谁也不愿意被时代丢下，他们希望了解这个日新月异的互联网世界。

语音交互为他们打开了新鲜世界的大门，光搜索资讯这一项功能，对于他们来说就已经足够前卫，另外还有智能点播、语音购物、生活服务等功能。

这样一扇大门的打开，对于各大互联网公司而言，是一笔巨大的流量接入，其背后所蕴含的商业价值绝对不可忽视。

对于那些已经接入互联网的人群来说，由于技术限制，车载和家务这样文字输入困难的情况，是语音交互的主要使用场景。

试想，技术成熟之时，只要对着手机说一句“帮我叫辆车”，十分钟后出租车便等在楼下，这样的便利，还能被称为“鸡肋”吗？

整个人类的工具进化史，就是一部低学习成本战胜高学习成本，便利战胜非便利的历史。

而人类面对新技术的态度，则是一个从“嫌弃”到“真香”的打脸过程。

作者：周文君