📖 ZKIZ Archives

人工智能時代，語音技術怎麽賺錢？

深藍DeeperBlue 2016-11-15 09:38

本文由深藍DeeperBlue（ID:cyanhillvc）授權i黑馬發布。

半個月前的錘子手機發布會讓全國人民（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。

我沒有在現場。據說老羅向觀眾們介紹了錘子的主要合作夥伴科大訊飛的一款產品——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，並且識別結果幾乎沒有任何偏差，堪稱完美，現場一片歡呼。

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勢。

訊飛輸入法背後的公司叫科大訊飛，是目前國內最大的智能語音技術提供商。第二天，科大訊飛的股價在開盤點迎來了新高。鑒於從 2008 年科大訊飛上市開始股價表現平平，不少人表示終於熬到了可以套現的時刻。

除了訊飛，國內在近幾年內崛起了一連串致力於智能語音的創新公司，典型代表有思必馳、聲智科技，以及雲知聲。

人工智能時代來臨，語音技術公司的春天又來了。圍繞 AI 的創業團隊如雨後春筍，智能語音技術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款語音交互機器人發布。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業最集中的領地，也即將誕生出先的爆發市場。

然而，高新技術怎麽賺錢、做什麽賺錢，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雲，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，其中絕大多數來源於鋪網線和做教育工程的集成，並非是高精尖的智能語音技術。

上個月，在深圳舉辦的一場小型內部智能語音研討會上，思必馳副總裁、聲智科技創始人，以及來自峰瑞資本、祥峰投資的兩位關註人工智能的早期投資人進行了關於“語音技術如何賺錢”的話題討論。恰好我在現場，覺得說得非常不錯，有些段落簡直堪稱精彩。於是要來了錄音記錄和版權，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 年智能手機出現後，短短幾年內，國內就湧現了一大批語音相關的公司，像雲知聲、思必馳、科大訊飛，發展都非常迅速，很快進入了公眾的視野。這也得益於手機這個智能終端的發展，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，人工智能的發展使得語音技術取得了很大進步，但我們發現實際準確率仍然不夠高——雖然大家根據實驗數據進行宣傳，說準確率達到了 95% 以上或者更高，但實際情況是，在實際使用時並沒有那麽高。

拋開算法和技術方面不談，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，有點像人類的大腦——在聽到聲音之後，我們如何進行翻譯，或是怎樣把它變成大腦可以理解的信息。但實際上，關於耳朵的問題我們還沒有解決——如何排除噪聲幹擾？如何在多人講話的時候會聽清想聽的內容？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，從數據上看，蘋果上語音搜索的使用率其實並沒有那麽高，原因在於，手機雖然不是鍵盤的，但觸屏的體驗還是很好的。發展的前景在於智能硬件：在手機之後，大量智能終端的爆發，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。

思必馳語音智能後視鏡，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。

基於以上兩點，我們認為，語音技術還會有更多發展和進步。

關於語音技術，大家其實一直都面臨一個問題，就是怎麽賺錢？科大訊飛 20 多億的收入，其中絕大多數是鋪網線和做項目工程，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，但後來百度免費了，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麽看。

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

現在其實大家能夠看到，從 PC 和互聯網到移動互聯網、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叠代更新，它有可能會成為替代觸屏的交互模式。這也是為什麽資本和技術都聚焦在這一塊，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：一個是核心技術以及產品體驗的提升，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授權費之類，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，在這個環節上大家都在探索。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，主要關註消費和技術領域的中早期投資，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。

要看怎麽賺錢，最主要的是找到需求在哪。在看了這麽多創業項目後，我們會思考在中國的消費生態下，那些賺錢的公司是怎麽來的？其實核心是抓住用戶的真正的需求點，從需求點出發，考慮怎麽樣去做產品，然後追溯到你的上遊，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，現在如今只是在手機上做一個語音識別的技術，提供一個輸入的方式，希望通過輸入法建立 APP 來收費，顯然這在今天已經是不太可能的事情了——現在，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在做的時候了。這個時候，就要找到一個需求場景，並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生交互的方式，那麽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的輪子，可以讓我調整音量之類，這已經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。後排的一客需要和車發生交互——現在很多車都有後排獨立的空調系統，當乘客覺得後排的溫度太低了，希望空調調高一點的時候，現在的情況是只能讓駕駛者把後排的空調調一調，或者後排有自己調整的方式，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，還是後排的左邊或右邊，根據他們發出的語音指令滿足不同人的需求，就能產生一種新的交互方式。除了空調，還有的需求比如切換一個電臺、換一首歌，等等。

那麽從產業鏈上遊來看，這麽多年，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、方位識別上的關鍵問題。有了芯片作為載體，就可以基於傳統芯片的商業模式去掙錢。

Cirrus Logic 推出的 CS44130 可以為整個音頻信號鏈提供芯片,包括模擬或、數字輸入和揚聲器喇叭輸出之間的各個部分。它精小的設計可以大大簡化產品的設計。

往下走，在芯片的下遊，模塊也有賺錢的機會，就像今天聲智科技在做的事情一樣。如今的產業鏈分工是非常細的，很難再有像過去的飛利浦、西門子這樣的大公司，核心的部件、全器件的研發，一直到最終的產品都是由一家公司來做。在分工很細的情況下，芯片公司不可能再去做一個產品，也很難再去做一個模塊，中間其實需要的是一個做陣列的公司：把產品以一個模塊的形式提供，同時不僅僅做一個 PCB 板把芯片放上去，而是把算法結合在里面，體現出附加值。

最後，生產用戶真正使用的一些產品也有賺錢的機會。比如類似於 Echo 這樣的終端產品，京東和訊飛也在做，之前也有一些創業公司在做。不過，真正有機會的創業公司是能夠去開拓一個新的市場領域的。就音箱來說，這是一個長期存在的行業和產品，那麽，可不可以創造出一個新的產品形態？在這方面，創業公司往往擁有更大的機會，比如大疆在無人機領域能做到今天的體量，是因為它完全開創了一個新的產品品類。

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，可能掃得不夠幹凈，也有它不夠智能的原因——它是在完全沒有規劃路徑地在亂掃。如果現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。

為什麽會說語音技術賺不到錢？其實是一開始沒搭建好商業模式。剛開始提供雲識別，是 to VC 的模式，強調的是公司的品牌影響力。那一旦開了免費的口子，之後就無法再收費了。

我們現在希望能先把 “蛋糕做大了” ，之後怎麽分蛋糕大家再商量。但現在整個市場還沒有起來，所有做語音技術的都在燒錢。

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品，有我們授權的，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，我們最初的商業模式是非常簡單的。

圖為聲智科技的主要產品方向

但就像剛才我說過的一樣，這個是有問題的。光看硬件，是不足以吸引公司對我們的定義產生理解的，我們很難再做一個大規模的公司，這個時候，我們對硬件加軟件後端的理解就和訊飛產生了一些差異，我們並不把語音交互只看作一個輸入法，也就是說，我們把它定義為類似於其他的操作方式的升級。我們把它看作搜索的升級，也就是讓語音交互可能成為下一代的搜索。而我們現在做的是現代搜索的一個入口，有點像以前的瀏覽器和後面的百度、谷歌之類。可能我說得比較大一點，就是將我們原先的交互方式升級。

我們回想一下，在 PC 端時代，我們用得比較多的是谷歌和百度。那個時候，我們要打開瀏覽器、輸入內容，再去查找網頁，但是到了移動互聯時代，用手機時我們會發現，在手機上，我們很少去打開一個瀏覽器，打開百度、谷歌，再去搜索內容，至少頻次明顯比原先在 PC 上的頻率小很多。現在，我們已經更習慣打開 APP ——實際上，通過 APP 的形式，搜索已經被折疊化了。

我們現在知道，谷歌和亞馬遜對智能音箱很感興趣。提到智能音箱，我們又會發現，當我們面對沒有屏幕的音響是，你就不會去輸入或者打開 APP 了——也就是把搜索進一步折疊了，折疊的結果是，你去直接問它，這個效率明顯比前兩個的效率更高。實際上，這些都是由人性決定的——人的本性就是，喜歡向著簡單、高效去發展。

這個時候我們會發現，語音會改變未來搜索的狀態：現在的小朋友如果適應了智能音響的交互方式，很多時候他就會直接提問，而不是打開 APP，或者像 PC 時代一樣，輸入很多需要查找的信息。

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中的聲音。電影預言：在未來，人們都離不開基於語音識別技術的智能系統。

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

現在很多巨頭，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，然後下一步加輕量的方式，維持公司正常的商業運轉，然後下一步，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、甚至發生入口大戰，然後形成新的商業模式，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，因為大家經常說，第二波公司會做得很好，每個時代的發展都經常出現這樣的情況。關於定位，我們也不敢說什麽，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。

文章評論

匿名用戶

發布

全部評論：10

發布