有一种说法，2018年，智能音箱一准迸发。确实，在2017年，BAT轮番推出智能音箱，Rokid、出门问问等 创业 公司也顺势规划，国际智能音箱的出货量也从十几万上升到百万级，资金高速涌入，中国“百箱大战”将正式拉开尾声。

虽然，全体看好智能音箱将来市场，甚至有预测称2018年全球出货量将到达5630万台；但也有绝对保守派以为，2018年智能音箱行业并不会迸发，次要根据智能音箱的语音交互才能较弱、内容效劳生态缺乏、跨场景跨义务对话才能较差等要素。

思必驰的CMO龙梦竹，就持后一种观念。思必驰是国际为数不多拥有自主知识产权中英文综合语音技术的公司，其客户包括阿里、腾讯、小米、海尔、联想等，关于语音辨认技术的现状，思必驰是具有发言权的。

眼下，智能音箱市场有点冰火两重天的意味。在不久前刚过来的2018CES（消费电子展）上，智能音箱颇受注目，被视为家庭场景的最佳智能入口，可国际，虽然BAT、小米等巨头纷繁入局，但出货量并不可观，这让智能音箱在国际的处境有了几丝为难。

究竟智能音箱能否是伪需求，语音交互能否契合中国的国情？

确实，基于家庭场景的智能生活正在燃爆下一个消费级市场，至于这个场景是不是由智能音箱来带动，却是个未知数。

由此，虎嗅“大咖私房话”约请到思必驰CMO龙梦竹与虎嗅会员停止了一场2小时的圆桌对谈，分享了她对以后智能音箱开展、机遇的了解，分析了将来智能音箱开展趋向以及在声纹辨认上的技术打破与当下瓶颈。我们将现场录音整理出来，复现了这场对话，干货满满。

想理解更详细的案例分享、全部图文，以及深度问答，欢送参加虎嗅会员解锁分享内容全文。 

Echo成为爆款的面前，反映的是国际音箱市场崛起面临的成绩

首先一点，无论是百度Raven H，还是亚马逊Echo，在一定水平上都是为了展示面前的对话定制平台。在这样的战略目的下，他们做这样的硬件基本没有思索盈利。

至于说Echo，Echo是集亚马逊生态与资源优势为一体的集大成者，其成功并非偶尔，成功的要素也未必能为国际音箱市场崛起带来普适性的自创，但其疾速的开展必定会推进语音技术使用落地。

第一，音质是选购音箱的首要条件，包括很多 媒体 都会做相关的评测，首先就是从音质开端，高音、低音、杜比音效等等。

第二，性价比是用户购置的关键要素，Echo在正式上市前，硬件曾经迭代了很多版本，本钱投入很大，是没太多收益的，只能是量产之后薄利多销，而对终端消费者来讲，需求的只是高性价比。比方去年有一款“折衣服机器人”，不论多乱的衣服，在十几秒种工夫都能迅速叠放划一，但售价高达十万块，简直无人购置，所以，在价钱与技术投入之间去掌握好均衡点才是关键所在。

第三，销售渠道；Echo依托的渠道是整个亚马逊的生态效劳，亚马逊把AWS云效劳、Kindle跟Echo停止整合，铺设了很广的销售渠道。

第四，内容效劳；亚马逊将音频效劳，包括Kindle、有声读物，全部融入到Echo内容效劳上，内容资源失掉充沛积聚。

第五，语音交互；Echo在技术上最明显的代表性意义，则是把语音的远场交互迅速落地，率先将远场麦克风阵列集成在产品里，无论声源定位、远场唤醒、语音交互，都带给用户极端新颖的产品体验。

但Echo在中国的销量还不理想，当然大局部缘由是Echo目前没有支持中文，以及在整个生态和内容效劳上没有完全打通，这也给中国的音箱开展发明了十分好的条件。

眼前中国智能音箱的瓶颈在于：音箱们的智能交互体验，跟语音交互技术、后端效劳和生态协作都是相关的，而这几点也恰恰是国际音箱的优势。

以语音技术为例，当技术落地使用，语音其实只是交互的手腕，并不是产品功用，效果的优劣次要是由能否最终能满足用户需求来决议的，复杂说，好不好用是由语音技术，内容打通才能等综合决议的。

比方有些人买了某音箱，觉得还是不好用，就会问是不是语音技术有成绩？语音技术什么时分可以成熟？比方，当用户对着音箱说“我要听赵雷的《成都》”而产品反应“对不起找不到您要的歌曲”，消费者下认识会以为是语音辨认不好，搜不到歌曲，但这面前很有能够是音乐内容提供商没有这首歌的版权；或许产品自身某个硬件模块没有选得特别好，比方芯片选择不好能够会延伸语音辨认的工夫。

对用户来讲，语音是用户跟产品发作关系最直接的感受，于是一切的锅，最初都是由语音技术来背。

国际智能音箱全体上还未到迸发节点

很多人都在问2018年音箱能火起来吗？

从语音交互、内容效劳，包括用户的承受才能，其实还达不到音箱真正迸发的节点，音箱带动的更多的是群众对智能家居的认知，让大家看到物联网的开展及智能家居的将来，而真正能火起来的能够不一定是音箱，有能够是智能门锁，智能路由等。

2018年应该会有中国外乡的创业企业研发的智能门锁大规模铺向C端市场；再比方电视，电视在2018年、2019年会是个分水岭，之后一切的电视应该全部都有语音功用。

但音箱目前还不具有成为刚需的条件，那为什么音箱会成为目前商家探路市场的首选？这是由于音箱自身是一个自然的、最好的音频载体，第二，音箱比拟轻量化，进入门槛绝对较亲民。

也许明年，市场上会呈现更多相似于智能音箱的变体，比方音箱大局部是圆柱体，是为了收音和识音，还有音频播放。但假如把音箱中部挖空，把它拔高，做成花瓶，那是不是就可以不必叫智能音箱了？

所以将来真正会迸发的是“智能助理终端”，真正可以处理用户交互需求，家居的控制等等，而不在乎是什么形状。

另外，中国作为一个农业大国，对爆款产品的定义一定不是说产品体验多好、价钱多低，而在于卖的多好。要卖得好，渠道是很重要的要素。只要打入三四线市场，比方如今的 手机 ， 苹果 、华为炒的较热，但OPPO、vivo，的市场占有率却是十分大的，它们走的就是打入中国广阔的三四线市场，由于这一块才是最有消费潜力的，而音箱假如在一两年内想打入三四线市场，能够没有那么容易。

我们再说回明天的主题，智能音箱。

智能音箱只是内在的终端形状，我们要评价智能音箱的好坏，就需求关注其面前的综合才能，首当其冲的是智能语音技术。

从 互联网 时代到挪动互联网，再到物联网时代，设备数量出现指数级的增长，信息获取也从文本信息处置开展到对话搜索。

随着对语音技术、新场景的发掘，物联网市场迅速开展， 智能硬件 设备数量将到达100亿量级，文本信息交互变得越来越弱，而语音和对话交互成为开展的需求，信息获取也从终端为中心转移到以用户和场景为中心，这是整个时代的革新。

比方，在2014年的时分，以智能手环为代表的可穿戴市场开端衰亡，短工夫内国际呈现了几千家做智能手环的企业，但又迅速的偃旗息鼓。再到2016年根本上很少看到手环或许可穿戴产品的存在，而往年随着整个AI技术，尤其是语音技术，还有新场景的发掘，穿戴设备市场又将会渐渐地恢复起来。

声纹辨认虽是趋向，但大规模商用还需时日

最近关于声纹辨认的讨论很多，那我也来讲一下这个事情。（虎嗅注：声纹辨认又称呼话人辨认，是生物辨认技术的一种。该技术经过语音波形中反映说话人生理和行为特随着流量往智能终端设备迁移，新的机遇“物联网商业社交时代”也将迎来，通过人的第六器官（智能手机）和智能设备终端的联网互动，从而改变了人的行为习惯和消费方式。线下流量通过LBS定位重新分配，又通过物联网终端智能推荐引擎引导到网上任意有价值的地方，至此互联网下半场拉开帷幕。征的语音参数，进而分辨出说话人身份）。

我以为声纹辨认大规模商用的机遇还远远不到。我说一下我的理由——

目前，声纹辨认目前分为两种方式，一种叫说话人识别-SI（Speaker Identification）

，属于一对多的关系，就是在一群说话人中，经过去辨认其中一团体音频和信号去确认这团体是谁，使用的场景包括刑侦破案、罪犯跟踪等；另一种叫说话人确认-SV（Speaker Verification），属于一对一的关系，经过采集的数据来确认说话人，使用场景包括证券买卖、领取购置、声纹锁等，民用场景使用性更强。

但目前在做声纹辨认方案的时分，通常是将声纹作为一种辅佐认证，把声纹和人脸停止结合，双重验证，或许把声纹跟传统的密码领取来停止绑定。但关于声纹辨认大规模的 商业 使用还需求时日，做好产品的交互体验也是关键所在。

在声纹辨认里边最大的难点，首先言语是一种时变的一维信号，语音声响信号自身的成绩，在于说话人语速、心情、感官，甚至包括采集音频的设备、变声器的使用都会对声响有一定影响，让声响的可信度有存疑；从算法下去说，包括建模、运算的才能，尤其是做声纹数据库的时分，去做什么样的用户声纹验证，有关年龄、职业散布、发音特质都需求做建模，并且树立数据库对样本量的获取都是难点。

尤其是智能家居大环境下，将会面临以下几个方向的应战：

首先是乐音的搅扰，也就是鲁棒辨认（鲁棒即阅历了各种信号处置或许各种攻击后，仍然具有一定的保真度），将来将会从算法降噪和硬件降噪来综合提升体验；

第二是家居环境下的远场交互，目前次要是基于理想的家居环境中3~5米的间隔来做中心优化，之后会针关于酒店，甚至银行大厅去做点对点的降噪尝试；

第三是回声消弭、在设备播放声响时的唤醒、打断和交互。最初是提升交互体验的其他必需技术点，包括声源定位、声纹辨认等。

来源：虎嗅会员小秘书