愉快的周五晚上10點，我打開芒果臺，依照節(jié)目的廣告植入設(shè)定，何炅他們每一期都會命令小度音箱做點什么事，而每當電視里的何炅喊“小度小度”，我家的小度音箱就跟著響應(yīng)：“在呢！”

那感覺，像家里養(yǎng)了一條會看電視的狗……

想想都覺得魔幻，小度在國內(nèi)市場份額排前三，《向往的生活》收視率在綜藝里又排前三。掐指一算，每周五的晚上，節(jié)目里的人一喊，世界各地少說也得有幾十萬個小度音箱一起被喚醒，場面感人。

類似的情況，在我的蘋果設(shè)備上也發(fā)生過。

我用電腦開著功放，刷一個數(shù)碼博主的視頻，只聽視頻里喊了一聲“嘿Siri”，我桌上的手機就蹦出一個女聲：“請講……”

我的Siri就這么被別的男人給嘿了，這讓我感到不爽，當時還發(fā)了一條微博吐槽。

印象中，Siri 能用聲紋識別功能來辨認它的主人，怎么會出現(xiàn)這種情況？我跑去網(wǎng)上查原理，發(fā)現(xiàn)早些年，華為手機也被類似吐槽過。

（沒有黑華為的意思，這是2016年的帖子，當年市面上的語音助手都這個德行，我不是針對誰，在座的各位都……）

還有我公司的那臺天貓精靈，有時我們正開會聊得火熱，它莫名奇妙就蹦出一句話，空氣突然安靜……

我就挺納悶：百度、蘋果、華為、阿里……這些都是科技公司里的扛把子，人工智能領(lǐng)域的佼佼者，為什么還會出現(xiàn)這種情況，語音喚醒技術(shù)就這么難嗎？

答案：是的。

我甚至找到2017年的一則舊新聞：

一個值得用收購公司的方式來解決的問題，一定值得考究。

智能音箱為何半夜說夢話，語音助手為何頻頻插嘴？是機性的喪失還是道德的淪喪？歡迎收看本期淺黑科技之“語音喚醒技術(shù)背后的小秘密”。

Let's Rock!

1.世上本沒有“語音喚醒”

1952年，計算機第一次聽“懂”人類說話。

貝爾實驗室里，一個名叫Audrey的語音識別系統(tǒng)降生，像個牙牙學語的孩子，它只能識別單個數(shù)字0~9的英文發(fā)音，而且非?！罢J生”——對熟人的準確度超過90%，對陌生人則大打折扣。

之后的20年里，語音識別系統(tǒng)雖然有很大進步，但依然停留在孤立單詞識別的階段，沒法識別一整個句子。

1971年，美國國防部研究所（DARPA）開始贊助語音理解研究項目，希望將語音識別系統(tǒng)的詞匯量提到1000。

參與項目的既有IBM這樣的企業(yè)，又有卡內(nèi)基梅隆大學、斯坦福大學之類頂尖高校的研究機構(gòu)。

卡內(nèi)基梅隆大學研發(fā)的“哈批”（harpy）語音識別系統(tǒng)拔得頭籌，不僅能識別1011個單詞，還能識別整句話。

從此，計算機語音識別從“單詞時代”邁入“句子時代”。

知道了這個發(fā)展過程，你就會明白：從一開始，“關(guān)鍵詞檢測”就是語音識別的一部分，或者說是“最初形態(tài)”。

有了關(guān)鍵詞檢測，計算機聽到“我們?nèi)コ钥系禄?！?/strong>才能檢測到你吃的究竟是肯德基，而不是肯德，或者別的……

而語音喚醒在學術(shù)上就叫“關(guān)鍵詞檢測”（Keyword Spotting），即檢測一段音頻里是否有特定的詞匯。

我們在用語音助手時，看起來是我們說出喚醒詞之后，它才開始工作，其實它每時每刻都在監(jiān)聽周圍的聲音，檢測其中是否包含喚醒詞。

20世紀90年代，人們開始把語音識別技術(shù)用于消費級產(chǎn)品，也就是賣給普通人用，語音助手一類的產(chǎn)品也開始出現(xiàn)，“語音喚醒”變得越來越重要。

1992年，蘋果對外演示了一個名叫Casper的語音識別系統(tǒng)，從形態(tài)上來看，和如今我們用的語音助手、智能音箱已經(jīng)非常類似，甚至和晚它26年的產(chǎn)品“TNT工作站”有著異曲同工之妙。/狗頭

從上面這段視頻可以看出，每次對著它說話時，都以“Casper”為命令的開頭。顯然，Casper就是它的“喚醒詞”，計算機會嘗試執(zhí)行單詞Casper之后的那一句話。

細心的觀眾朋友已經(jīng)發(fā)現(xiàn)了，視頻里那個亞洲面孔是李開復，他是世界上第一個“非特定人連續(xù)語音識別系統(tǒng)”的發(fā)明者。視頻里的Casper正是他在蘋果時期的作品。

關(guān)于Casper，李開復的自傳里記錄著一個小故事。

由于種種原因，Casper 語音識別系統(tǒng)有不小的概率死機，在飛往紐約的飛機上，蘋果CEO斯卡利憂心忡忡，問：“開復，有沒有辦法讓死機的概率降到1%？”

收看他們直播的觀眾至少有2000萬，如果死機，那真是出大丑了。李開復咬了咬嘴唇，說，“那好吧，約翰?！?/p>

演示當天非常順利，節(jié)目播出后，蘋果的股票從60美元漲到63美元。斯卡利問李開復：“你到底怎么把死機率降到1%的？”

李開復笑著說：“老板，這很簡單啊，我?guī)Я藘膳_電腦，連在一起，如果一臺出了問題，立馬切換到另一臺。根據(jù)概率原理，一臺失敗的可能性是10%，兩臺同時失敗的概率就是10%×10%=1%，成功的概率自然就是99%了！”

之所以引用這個故事，我是想說明語音識別需要不少計算機資源。當時有新聞報道說，這個語音識別系統(tǒng)在運行時幾乎會占用所有計算機資源。

這也是為什么，我們?nèi)缃竦闹悄苷Z音助手和智能音箱大多要聯(lián)網(wǎng)才能用，因為本地的計算機資源帶不動（或者功耗大而不適合跑在本地），要把你的聲音傳到云端服務(wù)器，處理完再把結(jié)果傳回來。

沒聯(lián)網(wǎng)，Siri決定罷工

語音喚醒詞就像一個開關(guān)，告訴機器什么時候開始執(zhí)行指令，什么時候處于待命狀態(tài)，不必處理這些聲音。

就像你去餐廳吃飯，如果服務(wù)員無限多，且很閑，當然可以專門安排一位站在桌子旁，你一摘下眼鏡，擦拭布就遞過來，你一喝完飲料，立刻就給滿上，都不需要你張嘴。

但實際情況是，餐廳人很多，有幾桌還鬧哄哄的，服務(wù)員就那么幾個，站著待命，誰吆喝一聲喚醒詞“服務(wù)員！”他們就立刻過來。

到了移動時代，雖然單臺設(shè)備的計算力上去了，手機性能秒殺二十年前的電腦，完全可以滿足離線語音識別的計算力需要，但又遇到另一個問題：電池不夠用了。

2.語音喚醒的背后發(fā)生了什么

講到這里，就引出了語音喚醒的四個關(guān)鍵指標：功耗、喚醒率、誤喚醒率、響應(yīng)時間（速度）。

這幾個指標，本質(zhì)上是相互制約的。

語音助手表示“我太難了”——既要我“豎起耳朵”努力聽，不漏過每一個喚醒詞，又不能太敏感聽錯，既要反應(yīng)速度快，又不能耗費太多力氣。

魚與熊掌不可兼得，怎么辦？答曰：砸錢攀科技。小孩子才做選擇，魚和熊掌我全都要！

細心的觀眾朋友也許會發(fā)現(xiàn)，2011年的iPhone4s已經(jīng)能嘿Siri，但用起來很別扭，得手機插上電源才能嘿。

這個問題在4年后的iPhone6s上怎么解決的呢？得感謝它的好朋友：高通。

2013年，高通公司給他家的CPU芯片加了一個新功能：即使在休眠狀態(tài)也可以檢測到用戶的聲音并根據(jù)聲音進行相應(yīng)的操作。

大致原理說起來也簡單，加了一個功耗特別小的協(xié)處理器，專門負責在熄屏狀態(tài)下監(jiān)聽聲音，檢查里面有沒有喚醒詞。如果沒有，就讓聲音從左耳朵進右耳朵出，一旦發(fā)現(xiàn)，就叫醒它的大哥——主處理器。

從此我們終于可以不插電，隨時隨地嘿Siri了。其他芯片廠基本也是在同一時期解決的這個問題。

和手機相比，插著電源用的智能音箱不必擔心電池問題，但如果功耗太高，即便放著不用，一天也得浪費不少電。

發(fā)展到現(xiàn)在，各大廠商的語音喚醒基本都有“多級喚醒”（非專業(yè)叫法）的機制。

你可以簡單理解為：聲音喚醒的流程就像是工廠里的一道流水線，旁邊依次站著葫蘆七兄弟，大娃時時刻刻醒著，檢查其中有沒有喚醒詞“葫蘆兄弟”。

通常情況下，其他幾個都在睡覺，節(jié)省體力。

大娃聽到稍微有點像“喚醒詞”的聲音，就趕緊叫醒二娃，錄音給它確認。

二娃仔細一聽，說的是“福祿兄弟”，心想莫非主人是弗蘭人？

二娃打了個電話喊醒云上的三娃，三娃一聽，好像是兩個人在聊天，一個人說：“麻麻，我作業(yè)做完納！可以看會兒福祿兄弟啵？”

三娃有聲紋識別的能力，聽出來是家里小孩在嚷嚷要看動畫片，而不想喚醒音箱，便不再繼續(xù)喊醒四娃，轉(zhuǎn)身對大娃二娃三娃說了句：“兄弟們，撤！”幾人扭頭又回去睡覺了，留大娃繼續(xù)看守。

就這樣，葫蘆兄弟明確分工，每次都在1秒鐘左右完成整個流程，只有當所有人都確認是喚醒詞，才開始執(zhí)行命令。

如此一來，既可以降低誤喚醒率，又可以盡可能降低功耗。

我們一起來看一個實際案例：蘋果的Siri。

2017年10月前后，蘋果專門發(fā)過一篇文章來講“嘿Siri”是怎么做的。

有興趣的淺友可以自行搜索讀讀這篇原文，沒興趣的接著往下讀。

iPhone的麥克風以每秒1.6萬次的速度，把聽到的聲音，切成0.2秒的音頻，丟進聲學模型。

這個聲學模型是用深度神經(jīng)網(wǎng)絡(luò)做的，它會把聲音數(shù)據(jù)轉(zhuǎn)換成概率分布，計算這個聲音是“嘿Siri”的可信度。

iPhone6s 以上的機型都有一個名叫“始終在線”(Always On Processor）的小型低功耗輔助處理器。也就是前文提到2013年高通做的那個。

這個處理器顧名思義，“始終在線”，里面始終跑著一個很小的，基于深度神經(jīng)網(wǎng)絡(luò)的聲學模型。

它每次給聲音打個分，如果分數(shù)“及格”，它就會叫醒主處理器，主處理器再運行一個更大一些的聲學模型，進入更復雜的評判流程。

“及格分”并不是一個固定的值，會根據(jù)聲音條件自動調(diào)整。在“惡劣的聲音條件”下會更低，Siri 更容易被激活。

深度神經(jīng)網(wǎng)絡(luò)有五層 ，每一層有32或128、192個單元，具體用多少，根據(jù)內(nèi)存和電源的情況來分配，以節(jié)省資源。

如果分數(shù)及格了，但是不高不低，可能是有點口音，或者有干擾，這時設(shè)備就進入“敏感模式”，持續(xù)幾分鐘，如果再次重復“嘿Siri”，即便并沒有比之前更清晰，Siri也會更容易被激活。

這也許可以解釋為什么“長沙小燕子”女士（主持人李維嘉的媽媽）用她可愛的塑料普通發(fā)說“稀米、稀味”也能喚醒Siri。

需要著重說明的是，Siri的大部分工作都在云端，手機設(shè)備只占很小的一部分。

本地的兩個處理器都通過之后，聲波會被傳送到云端服務(wù)器，進行更縝密的確認。

比方說，如果發(fā)現(xiàn)發(fā)音有點像“syria”（敘利亞）、“serious”（嚴肅的）之類的詞，就會對一整句進行分析，結(jié)合上下文來判斷是不是喊“嘿Siri”。

如果最終發(fā)現(xiàn)不是嘿Siri，服務(wù)器就會向手機發(fā)送一個取消信號：“兄弟們，撤！”讓手機重新進入睡眠狀態(tài)。

除了手機以外，像智能手表、智能音箱、智能無線耳機等等也都有類似的“多級喚醒”思路。

比方說國內(nèi)有一家聲音技術(shù)公司思必馳，阿里巴巴的“天貓精靈”、小米的“小愛同學”等都有用他們的技術(shù)方案。

在思必馳的技術(shù)方案里，通常情況下，初始語音喚醒的算法運行在一個名叫DSP的小型芯片里，通過之后，再把緩存的聲音數(shù)據(jù)輸送到一個叫AP的芯片里。

如果設(shè)備正在播放音樂，就會切換到“闖入模式”，語音數(shù)據(jù)會直接傳輸給AP芯片。這樣一來，播放音樂時就可以直接說“下一首”、“切歌”、“聲音小一點”之類的命令，而不必再反復地說喚醒詞。

除了喚醒驗證、聲紋驗證之外，思必馳還有一個名叫“骨導特征檢測”的奇特功夫，專門給智能耳機用，據(jù)說可以分辨聲音是由空氣傳導還是骨傳導，以此分辨是耳機主人還是周圍的人在說話，降低干擾。

所以，一部手機、一臺智能音箱擺在桌子上，表面上看起來風平浪靜，也沒被喚醒，實則內(nèi)部風起云涌，天翻地覆，跟外界產(chǎn)生了千絲萬縷的連接。

3.為什么會被電視機喚醒？

也許有淺友要問了，既然技術(shù)這么溜，為什么到頭來還是會被電視節(jié)目里的聲音喚醒？

其實這是個玄學問題。

語音識別分成近場和遠場兩種，簡單理解，近場就是說話人離麥克風很近，遠場就是離得很遠。

雖然概念只差一個字，難度卻相隔十萬八千里。

為什么1992年李開復就做出來Casper，而2015年智能音箱才真正流行起來？一個很重要的原因就是解決不好遠場識別的諸多噪音、干擾等問題。

還是李開復的自傳里的一個故事，有一年愚人節(jié)，蘋果的同事把他做的語音識別系統(tǒng)做進電梯，用話說控制電梯，很酷吧，可大家走到電梯里，沒人敢打招呼了，一說“Fine thank you and you？”五樓的電梯燈就亮起來——Fine被識別成了Five。

遠場識別會帶來太多不太可控的因素。

聲學領(lǐng)域有個概念叫“信噪比”，簡單理解就是，你要聽的那個聲音，和噪聲的比例。

近場識別時，信噪比很高，你要聽的那個聲音是鶴，噪音是一群雞，當然一眼就能把它拎清。

遠場識別時，信噪比很低，你要聽的那個聲音是雞，噪音還是雞，再要從中間挑出來就很難。

為了解決低信噪比的問題，智能音箱除了在算法模型層面下功夫，還得在硬件上下功夫，比如，用多個麥克風組成一個麥克風陣列。

你應(yīng)該有過類似體驗：當你認真聽一個聲音時，大腦會自動調(diào)集資源，辨別聲音的方位，然后集中處理這個方向上的聲音，抑制其他方向傳來的噪音。

麥克風陣列的作用類似，每個麥克風只負責一個方向的聲音，它們先對聲音進行“聲源定位”，再用“波束形成”技術(shù)集中收聽這一個方向的聲音，抑制其他方向的聲音，從而達到降噪的目的。

雖然這個方法能解決一部分環(huán)境噪音，但如果有多個人同時說話，還離得很近，這種技術(shù)就會大打折扣。

此時，又需要一種叫“語音分離”的技術(shù)來把重疊在一起的聲音分開。

遠場識別需要處理的情況太多太復雜，所以它是一個細活，需要一點一點慢慢打磨。

文章前面，我把語音識別比作一個工廠，里頭有一個長長的流水線，旁邊站著葫蘆七兄弟。按照真實的處理流程之復雜，葫蘆七兄弟恐怕遠遠不夠，得梁山一百單八將都出動才行。

4.再給它一些時間

回過頭來一想，我就覺得其實沒必要對智能音箱太苛刻。畢竟，即便是你，聽見電視里好像有人提到自個兒名字，也會一愣神。

人類已經(jīng)進化了幾十萬年，而動物聽覺誕生的時間更久遠。

據(jù)說，當人類“還是一條魚”的時候，聽覺就已經(jīng)產(chǎn)生。聲波沖擊魚鰾，引起魚鰾擴大或收縮，造成的震動刺激內(nèi)耳的靈敏感覺細胞，產(chǎn)生聽覺。

相比之下，計算機的語音識別能力誕生不過百年，語音助手出現(xiàn)不過30年，智能音箱從2015年開始流行，如今才幾年？

也許我們應(yīng)該多給它一些時間。

在寫這篇文章時，我想起2017年天貓精靈剛上市時，我做過一期調(diào)戲天貓精靈的視頻。

和當時相比，如今的天貓精靈已經(jīng)聰明太多太多，可我有時竟會懷念它當年的蠢萌帶給我們的快落。

就像一個總是不分場合亂說話的蠢萌朋友，多年以后，他變得成熟、深沉、冷靜，你竟有些懷念當年的那個他。

也許幾十年以后，人工助手變得極度聰明，再也不犯錯。那時我們也老了，也許會跟兒女、孫子吹牛：“當年我們的智能音箱，可蠢可逗了，冷不丁就蹦出一句騷話，比段子還搞笑……哈哈哈哈?！?/p>