當你字正腔圓地對著智能音箱發(fā)問，得到的卻是讓人一臉懵逼的回答。使用過智能音箱或其它語音助手的朋友，對這一場景都不會陌生。

懷疑自己被割了智商稅的你可能會問：智能音箱為什么聽不懂人話？它能變聰明嗎？

想解答這個問題，我們需要先了解智能音箱聽懂語音的工作原理。

語音、文本、圖片、視頻，這些信息對于機器來說，屬于“非結構化數(shù)據(jù)”，無法直接理解。機器能夠理解并作出反饋的，是“結構化數(shù)據(jù)”。

簡單理解二者之間的區(qū)別與關系，非結構化數(shù)據(jù)相當于寫了一段文本的word文檔，而結構化數(shù)據(jù)則是將這段文本進行總結歸納的excel文檔。

當我們向智能音箱提問時，智能音箱會先將語音轉化為文字，然后將文字形成結構化數(shù)據(jù)理解并反饋，最后再將文本轉化成語音輸出答案。

三大流程對應著3種技術，其中ASR（自動語音識別）和TTS（處理結果轉化成語音輸出）技術相對成熟，像ASR已廣泛應用在語音轉文字、語音輸入法、智能翻譯筆等應用上。據(jù)中科院2019年的測試，國內四家主流智能音箱品牌ASR識別率均在94%以上。

智能音箱聽不懂我們的話，問題主要出在NLP（理解文字的意思并進行處理）環(huán)節(jié)上。

AI在拿到文本后，需要進行語料清洗、分詞、詞性標注、實體命名識別、去除停用詞等一系列操作，才能將文本正確轉化為結構化數(shù)據(jù)，并作出反應。

智能音箱今天已經(jīng)可以比較“智能“地處理明確的指令問題，比如打開電視，今天天氣怎么樣，設定鬧鐘等。

但在開放性語境下，智能音箱錯誤頻出。這是因為口語文本經(jīng)常會出現(xiàn)歧義，機器難以理解，特別是在處理同音字繁多、語法復雜的中文時，歧義的現(xiàn)象尤其多見。

比如“幫我上一個半小時之后的鬧鐘”，音箱基本沒法識別是半小時還是一個半小時。再比如“幫我預定一家餐廳不要日本菜“，AI大概率無法理解“不要”在句子中的含義。

面對復雜的自然語言，AI想要辨別、理解、消除歧義，必須要分析海量“語料”，也就是對人類語言的實例進行學習。

供AI學習的語料，主要有三種來源：

第一是AI算法企業(yè)根據(jù)需求自己構造的“語料庫”，比如針對特定功能，需要構造人名庫、地名庫、歌手名庫、歌曲名庫等。

第二是從互聯(lián)網(wǎng)上大量抽取的文本，最常見的是從社交網(wǎng)絡中抽取，以便機器理解最新的口語表達方式。

最后則是用戶在與產(chǎn)品交互過程中產(chǎn)生的數(shù)據(jù)，像我們與智能音箱對話的部分內容，會被上傳進廠商的語料庫，供AI進行學習。

那如果長時間和智能音箱對話，是不是能讓智能音箱更懂我呢？

答案是很難。一般來說，所有的訓練學習過程，都是在AI算法商一端完成的。算法商會根據(jù)所有用戶的數(shù)據(jù)，對AI進行訓練、更新，而非針對某個特定用戶。

所以，要想讓智能音箱聽懂你個人習慣性的語病、倒裝、口頭禪等等，目前的最好辦法，是自己手動錄入，指定它該作出什么反應。

雖然智能音箱技術還沒完全成熟，但在互聯(lián)網(wǎng)巨頭眼中，它卻是必須攻下來的陣地。 2019年的中國智能音箱市場經(jīng)歷了爆發(fā)式增長，總出貨量4589萬臺，同比增長109.7%。其中阿里的天貓精靈，百度的小度音箱，小米的小愛音箱，三家占據(jù)了9成以上市場份額。

智能音箱在出貨量上漲的同時卻沒給巨頭們帶來利潤。2019年，百度副總裁景鯤向媒體表示，百度是通過補貼維持了小度音箱的低價。而另據(jù)業(yè)內人士估算，每賣一臺小愛音箱，小米只賺1塊錢。

巨頭們的底層邏輯是，智能音箱很有可能成為未來家庭的控制中心，所以要用現(xiàn)在的低價策略換取未來物聯(lián)網(wǎng)時代的入場券。這樣的策略確實能帶來銷量的增加，但切實解決用戶的痛點才能保證產(chǎn)品使用率。

編輯：jq

為了提高智能音箱在用戶生活中的不可替代性，廠商都在費盡心思給智能音箱增加新的功能，因為誰也不想看到當物聯(lián)網(wǎng)時代真正到來的時候，用戶家中的智能音箱上已經(jīng)落滿了厚厚的灰塵。

編輯：jq