专访科大讯飞副总裁江涛：语音识别的成熟依赖 “云、管、端”
回溯起来，中科大语音实验室算的上是科大讯飞的孵化地。1990 年，刚刚进入中科大电子工程系的刘庆峰（科大讯飞总裁）打算转系到感兴趣的数学系，然而这时，他却遇到了改变人生轨迹的导师——国内语音合成技术泰斗级人物王仁华教授，并在其影响下加入了中科大人机语音通讯实验室。
保送读研期间，刘庆峰继续在实验室工作，并成为语音合成项目组组长。1998 年，他的语音合成技术在国家 863 项目笔记赛中获奖，并首次达到实用化标准。在此激励下，刘庆峰和江涛（科大讯飞副总裁）等人开始了创业之路。
“当时我们的理想是一年销售 100 亿。” 在接受爱范儿的专访时，科大讯飞的副总裁江涛在回忆峥嵘岁月时依然慷慨激扬，他表示，创业之初几个人就希望能够在消费市场建立起一个家喻户晓的品牌。
世纪之交，科大讯飞第一个语音识别产品 “畅言” 面世，这是一个面向 PC 端的语音识别软件，它旨在将语音和键盘、鼠标两种交互方式融合， 用户可以使用语音控制电脑、语音输入甚至语音排版。然而，由于当时的环境以及软件售价太高，这款软件的市场表现非常惨淡。
“那时候，我们开始总结像我们这样的软件公司的出路。” 江涛说当时他们总结出了三条道路，一条将软件做成服务，一条是走软硬结合的道路，一条是做成行业软件。“这是 90 年代末，中国所有软件公司都在思考的问题。”
家用软件 “畅言” 失败后，科大讯飞开始尝试 B2B 的商业模式，它先后与华为、中兴等一大批做系统集成的企业合作，为这些企业提供核心语音服务。事实证明，这是科大讯飞第一个成功的商业模式。
2005 年，公司研发出语音评测技术，该技术可以通过语音识别对发音进行评分、检错并给出矫正指导。利用语音评测技术，公司走上软硬结合的道路，在教育市场推出了 “畅言教具”。后来这套技术推广到音乐领域，作为某些歌唱比赛的评分系统。
大约在同期，移动运营商的彩铃业务开始兴起，科大讯飞借机研发了一套音乐语音搜索系统。经过之前的思考和总结，公司选择与运营商合作运营的方式，而非直接出售系统。 至今，音乐语音搜索仍然是公司一个重要的业务方向。
事实上，国外的月亮也不圆。IBM 在 1998 年将一项轰动性的语音识别技术—— ViaVoice 从战场推向市场，但是同样免不了失败的结局。
“ViaVoice 基于单机系统，当时没有云计算的体系。另外，键鼠在 PC 端已经解决了常规的交互需求，语音需求空间有限。 ” 江涛总结了这两方面的原因。
说到底，语音技术未能形成一方之势还是囿于时代的脚步。
“我们也在等待这样一个机会。” 江涛说的这个机会正是移动互联网。他认为，语音技术的成熟需要三个方面的推动——“云”、“管”、“端”，即云计算体系满足资源共享、成熟的无线网络和便携的智能终端。
2009 年，3G 服务开始在国内运营。科大讯飞紧锣密鼓地投入力量进行研发，在 2010 年 10 月推出了讯飞语音云。目前，用户已经突破 1 亿。
“巨头的教育能力非常强。” 江涛坦承，语音技术的发展离不开诸如苹果 Siri、Google 语音搜索的推动。
ifanr：你如何看待苹果和 Google 两种不同语音识别技术？两者的价值体现侧重点有什么不同？
江涛：Siri 通过语音识别转换成文字与人交互，而 Google 由于是搜索引擎厂商，它可以做第二步。Google 可以在其热词列表中进行匹配，它融合了前人搜索历史。
苹果和 Google 在语音识别技术上的应用点不同，苹果本质上是个硬件厂商，所以包括 Siri 在内的服务都是为硬件服务的，它就是让整个设备显得更有趣、更炫。Siri 显然为 iPhone 赚足了眼球，在后面的服务尚未形成价值之前，它首先让 iPhone 4s 大卖了一把。
Google 的侧重点在搜索服务，所以它的语音搜索在朝 Google Now 方向靠拢。
ifanr：尽管都在说语音可能是下一个交互革命，但目前这种基于自然语义搜索服务包括 Siri 的娱乐意义仍然大于实用价值，你认为如何提高这类服务的实用价值？
江涛：这正是我们科大讯飞最关注的、要与同类产品错开定位的地方。我们也一直强调 “讯飞语点” 以及与中国移动发布的 “灵犀” 的实用价值，而非娱乐价值。
产品发布半年来，我们重点在改进打电话、发短信、通讯录等用户每天使用到的服务，包括个性云识别，比如我们在用户通讯录信息的识别是非常准确的。
另一方面，我们重点打造语点和灵犀集成的相关服务，比如用户可以直接在灵犀中语音查询手机话费，也可以语音搜索歌曲，在线听、下载甚至设为彩铃。此外，还包括查询、预定机票等服务，这些都是 Siri 不具备的。
ifanr：语音识别的发展出现了两种趋势。第一种是语音搜索走向细分领域，比如专注于旅行服务的 Desti，专注于银行业务的 Lola。另一种趋势是做平台，集成各种互联网服务，通过开放 API 调用各种垂直服务的数据，将智能语音搜索打造成 “海纳百川” 的信息服务。你是如何看待这两种趋势的？
江涛：我举个语音识别在商业上成功的例子。全球最大的语音识别公司 Nuance 在利润中占比很大的一个业务是——Medical Transcription，这是 Nuance 针对美国医疗处方必须在线备案推出的语音识别系统，由于替代了昂贵的人力，这个产品大卖，公司挣了很多钱。
我认为像第一种细分领域会先成熟，在一定的领域内，语音交互的体验能做到更好。对应到我们的产品，我们不会从一开始就告诉用户产品囊括了一切，而是先把音乐、出行关乎衣食住行的重点领域做深做透。
当然，随着语音识别技术的发展，特别是人工智能、大数据处理能力的提升，基于语义网、知识图谱构建出真正的全开放的语音平台是值得期待的美好图景。对于当前，可能还为时过早。
ifanr：此前中国移动 13.63 亿注资科大讯飞，在智能语音门户、智能语音云服务、智能语音技术和产品、客户服务应用、基础电信业务及行业信息化等领域建立战略合作。对于中国移动而言，形成移动互联网的入口平台，对于科大讯飞，除了资金和用户，价值还体现在哪些方面？
江涛：资金和用户也是很重要的。因为移动互联网的特点是必须要先投入，形成海量用户了以后才有比较大的商业价值，无论是百度还是腾讯，历史都已经证明了这一点，所以中国移动的这个资金进来，加上讯飞本身，让我们的现金链更好，所以我们已经为移动互联网未来的竞争准备粮草，打持久战。
另外就是中国移动的用户规模，它 6.7 亿的用户跟我们普通互联网层面讲的用户不是一个概念，它是真正掏钱的用户了，而且这些用户都在保持着联系，所以这个用户转换成为讯飞用户的可能性是很高的。
当然，最重要的一点是中国移动后台海量的服务，这就回到我前面讲的我们语点和灵犀跟其他竞争产品的定位差异，我要做实用，怎么能做到实用呢？中国移动他已经有九大基地了，音乐、视频、动漫、游戏、应用、应用商店，还有几大服务基地：位置基地、电子商务基地、互联网基地等，这些服务要送到用户面前已经是一种最好的交互界面，反过来，对于灵犀来说，这些内容又进一步的让产品实用。
除此之外，中国移动的服务资源方面，比如说他后台的客户服务系统，最典型的还有查话费、查流量，这个都是中国移动所独有的资源，相对来说也是最准确的。这也给讯飞产品增加用户粘性。另一方面，这也给中国移动来说降低了成本，过去用户查话费、查流量，如果以客服进行，平均下来服务是每分钟 5 毛钱，如果在语点、灵犀里面提供，成本就很低。
ifanr：可能说移动互联网的勃兴让移动设备与语音识别技术紧密结合，您觉得在未来语音识别技术还可以在哪些领域拥有广阔的前景？
江涛：我们认为 “三架马车” 是最重要的。第一是手机终端，这个增长也是最快的。第二是汽车，随着汽车逐渐走进大众家庭，汽车的电子化逐渐发展。比如去年广州车展最火热的荣威 350 就搭载了我们的智能语音技术。第三个就是智能家电，以智能电视为代表。过去我们看电视主要交互手段是用遥控器换台，但是当频道数多到几百个时，换台就很痛苦。所以说，语音是最重要的一个交互手段。
ifanr：苹果涉及核心利益的应用一直比较排外，讯飞语点从今年 6 月份提交至今也未能上架 App Store，能否透露一下进展？因为我们看到，搜狗语音助手刚刚上线。
江涛：搜狗也是在借鉴讯飞教训的基础上，对很多调用苹果系统的很多核心功能进行了精简，这就缺失了很多实用的功能，比如打电话、发短信。后面我们也可能会适当地进行一些调整，但是这可能会对用户体验造成损害。
ifanr：我们也看到讯飞已经和不少硬件厂商展开合作，但事实上这种集成仍然会因为机器差异体验不一致，仍然有很大的优化空间。而 Siri 的一大优势在于服务系统级以及和硬件的整合，讯飞未来有没有大规模进军硬件走软硬结合的想法？
江涛：这个肯定不可能。我们还是继续通过合作来弥补这一块的短板。后面我们会和手机厂商进一步探讨如何深度整合的问题，比如一键呼出讯飞语音等功能。语音的特点就是它涉及的东西太多了，所以我们更应该想清楚，千万不能一不小心扎到具体的硬件研发中，这是永远都做不完的。
不光是手机，汽车、电视等领域我们都会坚持走这一条道路。
ifanr：科大讯飞长期以来都是一个技术提供商，你们是如何看待企业市场和消费市场的？
江涛：科大讯飞是从企业市场 B2B 起步的，相对来说，企业市场是比较理性的，客户是专家级的，而且它有专业的评估手段，所以企业市场上拼的是技术。而在消费市场上，“酒香也怕巷子深”，还需要策划、推广的能力，这也是我们所欠缺的。不过我们也开始有所尝试，比如推出的讯飞输入法，就是为了满足消费者的需求。
