8月15日，根據(jù)Strategy Analytics智能音箱和屏幕（SSS）研究服務(wù)今天發(fā)布的最新研究報告顯示，2019年Q2智能音箱的全球銷量持續(xù)飆升，達到3030萬臺，同比翻倍。其中百度小度智能音箱出貨量470萬臺居全球第三，超過阿里巴巴和小米，排名國內(nèi)第一，與2018年相比，小度智能音箱銷量增長高達38倍。

Strategy Analytics數(shù)據(jù)

這已經(jīng)不是第一份報告顯示小度智能音箱的飛速增長。2019年第一季度，包括Canalys、IDC,Stra tegy Analytics在內(nèi)的多家調(diào)研機構(gòu)的數(shù)據(jù)均顯示，小度智能音箱市場份額已升至國內(nèi)第一，全球第三。

百度入局智能音箱領(lǐng)域時間并不長，從2018年3月正式發(fā)布有屏音箱小度在家，迄今為止不到2年時間。小度智能音箱何以在競爭激烈的國內(nèi)市場迅速崛起？

百度首席架構(gòu)師、SLG首席技術(shù)官朱凱華和我們聊了聊小度智能音箱背后的技術(shù)故事。

智能音箱區(qū)別于傳統(tǒng)音箱的突出特征就是可以和人進行語音交互互動。在朱凱華看來，百度智能音箱的優(yōu)勢在于很好的實現(xiàn)了對話式交互的用戶體驗。

朱凱華介紹，擁有良好的對話式交互，需要解決“聽清、聽懂和滿足”三個問題。聽清，要求音箱在嘈雜環(huán)境內(nèi)（不論是外部嘈雜，還是音箱本身大聲放音時）能準確的被倍喚醒、并把用戶的聲音轉(zhuǎn)為文字。

而能聽懂，則是對音箱智能性的更高要求。聽懂，意味著要能準確的把文字理解為用戶意圖，人工智能和人工智障，一字之差，說出的是用戶體驗的天壤之別。

朱凱華表示：“智能和智障的區(qū)別，很大部分是要做好‘知之為知之，不知為不知’。在理解的時候快速給答案，不理解時給出合理澄清，不裝懂不插科打諢。‘智障’很大部分是不懂而瞎說引起用戶抵觸。”

朱凱華現(xiàn)場使用小度演示了真正的智能音箱在遇到這方面難題的解決方案：當他對小度說“我想聽….”的時候，小度的回答是，“你想聽什么呢？”當他再次說出“我想聽劉德華的歌”時，小度響應(yīng)并播放了劉德華的歌曲。

朱凱華介紹，這只是小度“聽懂”方面的一個小例子，但這樣的能力卻已經(jīng)要高于市面上的絕大部分產(chǎn)品。小度的聽懂在于，當它獲得模糊需求（不清晰指令）的時候，它會嘗試分析和校對自己的指定，以便更準確地滿足用戶的需求。

除了上述聽清、聽懂需要的人工智能技術(shù)保障外，對話式交互第三個要素“滿足”，則需要有豐富的信息、內(nèi)容和服務(wù)來滿足用戶。簡言之，也就是音箱聽清聽懂了用戶的需求，還需要能滿足用戶需求的能力，這需要設(shè)備有完備的知識和技能服務(wù)。

“現(xiàn)在流行的垃圾分類話題，比如濕紙巾是什么垃圾，小度也能給出答案。”朱凱華介紹，因為小度背靠百度十億級的知識圖譜、百億級的搜索請求和萬億級的網(wǎng)頁內(nèi)容，同時構(gòu)建了33000+平臺開發(fā)者、2400+優(yōu)秀技能的生態(tài)，是知識和技能最完備的平臺。

不過，現(xiàn)在的小度已經(jīng)不滿足于現(xiàn)有的語音交互的智能程度。

在今年7月的百度AI開發(fā)者大會上，百度公司董事長兼CEO李彥宏啟動了小度在家“極客模式”開始了與智能音箱的連續(xù)對話聊天，并介紹了一個極具技術(shù)流的的名詞“全雙工免喚醒”功能。

搭載“全雙工免喚醒”功能的小度智能音箱，可以和用戶進行連續(xù)聊天，不需要每次都呼喚“小度小度“喚醒。這種人機交互模式無疑更加“自然”，離真正意義上的“智能”更進一步。

體驗進步一小步，背后是科技人員努力的一大步。要真正做好“全雙工免喚醒”絕非易事。

試想，在人聲嘈雜的環(huán)境里，機器如何準備識別你的這句話是針對它說的，還是對其他人員說的？這對“智能”性程度提出了更高要求。此前市面上有其他品牌展示過相關(guān)技術(shù)的演示，但工業(yè)化量產(chǎn)，目前只有小度率先推出。

對此，朱凱華表示，能夠首先推出全雙工免喚醒，有3個必要條件：具備軟件和硬件結(jié)合的能力；語音識別和語義理解結(jié)合、端到端的識別和理解整合的深度優(yōu)化能力；和對所有技術(shù)能夠進行深度整合的能力。

目前小度“全雙工免喚醒”功能已在小度有屏音箱產(chǎn)品和有燈帶的音箱產(chǎn)品上上線，主要應(yīng)用于音樂和有聲內(nèi)容場景。朱凱華透露，該功能很快將拓展至更多場景使用。

對于語音交互技術(shù)和智能家居的未來發(fā)展，朱凱華認為，從人之間的交流方式來看，輸出信息帶寬最大的是語音，輸入是視覺。未來的交互方式一定是視覺和語音相結(jié)合方式。智能家居時代要求設(shè)備間有良好的感知與協(xié)同能力，多模態(tài)交互將是必然趨勢。不過，科技不停地向前發(fā)展，在技術(shù)落地的過程中一定會有各種不同的產(chǎn)品形態(tài)，但最核心的是技術(shù)能力有沒有更好地在階段時間內(nèi)滿足用戶的需求。