半個月前的錘子手機發(fā)布會讓全國人民(包括我媽)知道了一家叫科大訊飛的公司，以及語音智能這件事。

　　我沒有在現(xiàn)場。據(jù)說老羅向觀眾們介紹了錘子的主要合作伙伴科大訊飛的一款產(chǎn)品——訊飛輸入法。老羅用很快的語速說出一大段長文字，訊飛做到了無時差翻出文字版本，并且識別結(jié)果幾乎沒有任何偏差，堪稱完美，現(xiàn)場一片歡呼。

　　訊飛輸入法支持 19 種方言輸入，相比蘋果的 Siri，以及微軟的 Cortana, 訊飛輸入法顯然在本土化上占盡優(yōu)勢。

　　訊飛輸入法背后的公司叫科大訊飛，是目前國內(nèi)最大的智能語音技術(shù)提供商。第二天，科大訊飛的股價在開盤點迎來了新高。鑒于從 2008 年科大訊飛上市開始股價表現(xiàn)平平，不少人表示終于熬到了可以套現(xiàn)的時刻。

　　除了訊飛，國內(nèi)在近幾年內(nèi)崛起了一連串致力于智能語音的創(chuàng)新公司，典型代表有思必馳、聲智科技，以及云知聲。

　　人工智能時代來臨，語音技術(shù)公司的春天又來了。圍繞 AI 的創(chuàng)業(yè)團隊如雨后春筍，智能語音技術(shù)的應用成為它們打開市場的首要選擇，幾乎每個月都會有數(shù)款語音交互機器人發(fā)布。除了硬件，語音服務平臺也迅速被建立。鍵盤作為輸入系統(tǒng)即將被停留在上個時代，人類將用語言和機器進行交互。智能家居和車載成為語音產(chǎn)業(yè)最集中的領(lǐng)地，也即將誕生出先的爆發(fā)市場。

　　然而，高新技術(shù)怎么賺錢、做什么賺錢，是一個永恒的話題。事實上，熱炒的訊飛輸入法、訊飛語點以及訊飛語音云，僅占訊飛的總營收 3% 左右，收入不足千萬。道聽途說的還有一件事，科大訊飛每年 20 多億的收入，其中絕大多數(shù)來源于鋪網(wǎng)線和做教育工程的集成，并非是高精尖的智能語音技術(shù)。

　　上個月，在深圳舉辦的一場小型內(nèi)部智能語音研討會上，思必馳副總裁、聲智科技創(chuàng)始人，以及來自峰瑞資本、祥峰投資的兩位關(guān)注人工智能的早期投資人進行了關(guān)于“語音技術(shù)如何賺錢”的話題討論。恰好我在現(xiàn)場，覺得說得非常不錯，有些段落簡直堪稱精彩。于是要來了錄音記錄和版權(quán)，分享給大家。這里也許有你想要聽的實話、真話。

　　—— 深藍DeeperBlue 季星

　　2016.11.11

　　研討嘉賓

　　

　　

　　2012 年智能手機出現(xiàn)后，短短幾年內(nèi)，國內(nèi)就涌現(xiàn)了一大批語音相關(guān)的公司，像云知聲、思必馳、科大訊飛，發(fā)展都非常迅速，很快進入了公眾的視野。這也得益于手機這個智能終端的發(fā)展，使得語音成為手機上的一個重要應用。

　　而在 2015 年，我們依然認為語音是一個非常好的投資機會。原因有以下兩點：首先，雖然在過去的兩到三年里，人工智能的發(fā)展使得語音技術(shù)取得了很大進步，但我們發(fā)現(xiàn)實際準確率仍然不夠高——雖然大家根據(jù)實驗數(shù)據(jù)進行宣傳，說準確率達到了 95% 以上或者更高，但實際情況是，在實際使用時并沒有那么高。

　　拋開算法和技術(shù)方面不談，前端的很多問題我們還沒有解決。我打個最簡單的比方：過去我們討論的語音識別技術(shù)，有點像人類的大腦——在聽到聲音之后，我們?nèi)绾芜M行翻譯，或是怎樣把它變成大腦可以理解的信息。但實際上，關(guān)于耳朵的問題我們還沒有解決——如何排除噪聲干擾?如何在多人講話的時候會聽清想聽的內(nèi)容?如何在距離較遠時分別聲音的方位?前端的語音/聲學交互的很多問題如果得不到解決，整體的體驗始終不夠好。

　　第二點，從數(shù)據(jù)上看，蘋果上語音搜索的使用率其實并沒有那么高，原因在于，手機雖然不是鍵盤的，但觸屏的體驗還是很好的。發(fā)展的前景在于智能硬件：在手機之后，大量智能終端的爆發(fā)，包括家居、車載、可穿戴設備、機器人等，這些智能終端上的鍵盤——或者說手指就變得更加不重要以及不友好，而語音則變得更加友好和重要。

　　

　　思必馳語音智能后視鏡，駕駛員在跟機器交流的時候，可以隨時打斷機器的說話，讓他去執(zhí)行其他任務，讓機器做你臨時想做的事情。可以解放雙手，讓駕駛更安全。

　　基于以上兩點，我們認為，語音技術(shù)還會有更多發(fā)展和進步。

　　關(guān)于語音技術(shù)，大家其實一直都面臨一個問題，就是怎么賺錢?科大訊飛 20 多億的收入，其中絕大多數(shù)是鋪網(wǎng)線和做項目工程，前沿科技類的東西其實是沒有賺到錢的。

　　在線上，我們本來可以提供 API 賺錢，但后來百度免費了，那其他人也只能免費了。做 APP 去對接服務，大家會覺得手機上的用戶習慣、行為習慣還沒建立起來。所以我想問就這個很實際的問題聽聽大家怎么看。

　　

　　這個問題很好，也很難回答。對思必馳來說，我們現(xiàn)在是在考慮怎樣把錢燒掉，并沒有考慮怎么賺錢這件事，這件事情確實是比較難。

　　現(xiàn)在其實大家能夠看到，從 PC 和互聯(lián)網(wǎng)到移動互聯(lián)網(wǎng)、再到其他，語音很可能是一個方向。語音作為一個便捷的交互方式之一，隨著智能硬件設備的迭代更新，它有可能會成為替代觸屏的交互模式。這也是為什么資本和技術(shù)都聚焦在這一塊，使得人工智能的一個小春天在寒冬中誕生。

　　賺錢這件事情，目前我們確實看不清。

　　但是圍繞著這個方向，我們可以看到一些大方向：一個是核心技術(shù)以及產(chǎn)品體驗的提升，這是必須要做的。第二個則是，我相信大部分公司，在未來肯定會有一筆相對不多也不少的技術(shù)授權(quán)費之類，雖然這部分不足以滿足資本需求。

　　然而我仍舊相信，未來無論是 2C 也好、2B 也好，在這個環(huán)節(jié)上大家都在探索。這條路徑是曲折的，但方向一定是正確的。

　　

　　我先簡單介紹一下祥峰投資，我們是新加坡淡馬錫旗下的 VC，主要關(guān)注消費和技術(shù)領(lǐng)域的中早期投資，在人工智能方向投資了地平線、Maxent 等。下面我從投資方的角度簡單談一些看法。

　　要看怎么賺錢，最主要的是找到需求在哪。在看了這么多創(chuàng)業(yè)項目后，我們會思考在中國的消費生態(tài)下，那些賺錢的公司是怎么來的?其實核心是抓住用戶的真正的需求點，從需求點出發(fā)，考慮怎么樣去做產(chǎn)品，然后追溯到你的上游，再到頂層甚至是芯片，找到哪里有機會。

　　首先，在手機端，語音作為輸入方式是有需求的，但剛才大家都說，現(xiàn)在如今只是在手機上做一個語音識別的技術(shù)，提供一個輸入的方式，希望通過輸入法建立 APP 來收費，顯然這在今天已經(jīng)是不太可能的事情了——現(xiàn)在，沒有一個類似百度輸入法這樣鍵盤輸入的 APP 還是收費的。

　　即便語音是不一樣的輸入方式，但想要收費還是很困難的，特別是當大佬們都已經(jīng)在做的時候了。這個時候，就要找到一個需求場景，并且上面沒有其他方案可以和你競爭——一個語音可以扮演重要角色的場景。

　　比如智能家居中的音箱，就是一個很好的例子：你不可能在音箱上去觸摸，也很難用其他鍵盤去輸入。因此，如果你找到一個和音箱產(chǎn)生交互的方式，那么顯而易見你就是最好的，因為沒有其他強有力的替代者。

　　再說汽車。其實汽車里面，多年來大家使用的旋鈕、按鍵，本身是一個非常好的人機交互方式——它未必比語音輸入的效率低，反而效果很好，因為你可以做到盲操作。設想一下，在車里面我要換電臺的時候，我不用看中控，就可以摸到旋鈕去操作，或者在方向牌上有一個旋轉(zhuǎn)的輪子，可以讓我調(diào)整音量之類，這已經(jīng)是最好的人機交互方式了，而通過語音增大音量或是切換頻率，則未必能更加直接和準確。

　　但是，在車中還有很多旋鈕無法解決的其他需求。比如。后排的一客需要和車發(fā)生交互——現(xiàn)在很多車都有后排獨立的空調(diào)系統(tǒng)，當乘客覺得后排的溫度太低了，希望空調(diào)調(diào)高一點的時候，現(xiàn)在的情況是只能讓駕駛者把后排的空調(diào)調(diào)一調(diào)，或者后排有自己調(diào)整的方式，但它未必是自動的方式。

　　如果能夠做到，通過一個很好的語音識別的陣列工具，很好的分辨出不同乘客的方位，到底是在主駕、副駕，還是后排的左邊或右邊，根據(jù)他們發(fā)出的語音指令滿足不同人的需求，就能產(chǎn)生一種新的交互方式。除了空調(diào)，還有的需求比如切換一個電臺、換一首歌，等等。

　　那么從產(chǎn)業(yè)鏈上游來看，這么多年，芯片一直都是一個可以賺錢的事情。在語音識別這一塊，做語音的處理芯片，比如 iPhone 使用的 Cirrus Logic，在語音處理這一塊的算法做得非常好，它解決了語音降噪、方位識別上的關(guān)鍵問題。有了芯片作為載體，就可以基于傳統(tǒng)芯片的商業(yè)模式去掙錢。

　　

　　

　　圖為 Echo Dot， 它的場景就不是用來聽歌的，而是一個語音助理。

　　比如說機器人，雖然現(xiàn)在大家還沒有普遍使用機器人，但是它一定是一個趨勢性、未來性的東西。在家庭場景中，使用最為廣泛的其實是掃地機器人。很多人買了一段時間就未必再用掃地機器人了，其中有各種各樣的原因，可能掃得不夠干凈，也有它不夠智能的原因——它是在完全沒有規(guī)劃路徑地在亂掃。如果現(xiàn)在我們能夠加入更多智能的東西，包括語音的交互，它就有可能成一個真正的智能機器人。你可以呼喚它：“掃地機器人，到我這里來，把這個房間打掃一下。” 而不是拿一個搖控器操作，或者走過去把它提過來。你的聲音傳遞給他，他就知道你的方位，就會自動朝你的方向走，這也是一個可以提升用戶體驗的方向。

　　

　　為什么會說語音技術(shù)賺不到錢?其實是一開始沒搭建好商業(yè)模式。剛開始提供云識別，是 to VC 的模式，強調(diào)的是公司的品牌影響力。那一旦開了免費的口子，之后就無法再收費了。

　　我們現(xiàn)在希望能先把 “蛋糕做大了” ，之后怎么分蛋糕大家再商量。但現(xiàn)在整個市場還沒有起來，所有做語音技術(shù)的都在燒錢。

　　聲智科技的起步有點特殊：它一開始就做硬件，大家看到很多的展示的產(chǎn)品，有我們授權(quán)的，也有我們自己的，都可以讓我們從硬件中直接得到收入，相對來說，我們最初的商業(yè)模式是非常簡單的。

　　

　　

　　電影《 Her 》的海報，電影中的主角愛上了他的智能設備——一個來自語音識別系統(tǒng)中的聲音。電影預言：在未來，人們都離不開基于語音識別技術(shù)的智能系統(tǒng)。

　　我們現(xiàn)在有一些微薄的收入，但是以后我們在里面怎樣能夠產(chǎn)生更好的方式，對我們來說，就是硬件+芯片，這在以后會產(chǎn)生更好的營收。移動端有很多 AP、很多的巨頭，但是這到底能產(chǎn)生一種什么樣的新的商業(yè)模式，可能還都是在探討和摸索中。

　　現(xiàn)在很多巨頭，不用考慮營收，所以它們會盡量去做。對我們來說，只能先有硬件，然后下一步加輕量的方式，維持公司正常的商業(yè)運轉(zhuǎn)，然后下一步，看看會不會像我們預想的一樣，語音能夠下一代的搜索入口、甚至發(fā)生入口大戰(zhàn)，然后形成新的商業(yè)模式，能夠改變我們很多的行為習慣。這就需要各方面去探討和摸索，甚至還會掉進很多坑。

　　我相信第一波會有很多家公司做進去，因為大家經(jīng)常說，第二波公司會做得很好，每個時代的發(fā)展都經(jīng)常出現(xiàn)這樣的情況。關(guān)于定位，我們也不敢說什么，只是先給大家提供完整的解決方案，不管是機器人、智能音響、車載，我們都更希望，大家共同開拓這個市場。同時，我們本身也是非常開放合作的。