本期采访的声智科技是声学领域的“隐形”巨人，声智很少直接向C端用户提供产品，但其底层技术却被小米、百度、华为、阿里、腾讯等多家巨头运用，占据了国内70%的远场语音交互市常
声智科技于2020年完成B+轮投资，投资机构包括江苏省国信集团、中信建投资本、杭州银行，此前，该公司曾获得1200万元的天使轮融资、1600万元的Pre-A轮融资、近亿元的A轮融资，和2亿人民币的B轮融资。
作者 | 门宇阔
编辑 | Momo
2014年，亚马逊推出了一个非常别样的音箱：Echo。伴随其出现的，还有一句另类的口号：「Voice First」。
当时亚马逊的判断是，语音交互的易用性和直觉性将引发一次革命，彻底改变人与机器沟通的方式。亚马逊描绘出的「语音乌托邦」蓝图，引来无数人的好奇和探索。
当时还身在中科院的常乐也是其中一员，通过Echo隐约看到了一个新的机会，她和她的团队组建起一家创业公司， 把声学语音技术商业化，加入一场百年一遇的行业变革。
1
从物理学到商业化
人机交互，最早依赖于按钮，后来依托于鼠标键盘，2007年iPhone发布后，触摸屏成了最成功的交互工具。
这些交互方式有很多共同点，比如都是基于触觉和视觉，交互距离被限定在一个手臂的范围之内。
相比之下，声音天生具有解放双手的作用，相比于触摸式的交互，语音要更加自然和人性化，它也不依赖双眼，不需要用户刻意去熟悉软件界面，不需要去学习交互逻辑，天气播报、闹钟设定、网络搜索、预约叫车…只要张口问就可以直接获得答案。
这种全新的交互形式帮助AI技术得以在消费者端下沉，催生出了Echo为代表的新品类。
不过这类产品需要解决一个首要问题，用户在使用Siri等AI助理时，往往会把手机拿到嘴边，外界的噪声对语音交互的影响都很小，而智能音箱承担的是长达几米的远场交互距离，居家环境下声音源也更加复杂。
声智科技敏感地发现了这一问题，认清做好智能音箱的第一步，是要做好远场语音交互技术。因为没有好的“耳朵”，没有好的感知，音箱听不清几米外的人说话，谈何交互？
“在当时的环境下，其实近场的语音识别已经在实验室内做的很好了，语音识别率的准确度是可以商业化的，”常乐回忆说，“但远场交互中的各种噪声导致真实场景中还不行，比如开车的时候，因为胎噪、风噪等的影响，这个时候你语音说去导航去哪里，发现识别率就会很低，比如在人声鼎沸的餐馆里做语音交互，它的语音识别率也会很低，是因为在这样的环境下，有很多空间物理环境噪声造成对语音识别产生不良影响。”
语音技术正是声智科技的强项，公司创始合伙人总共6个人，其中5个来自中科院声学所。2016年公司创立，彼时的市场上已经存在讯飞、云知声、思必驰等语音交互的公司，而声智创始人们的技术背景，让他们决意早期一定要聚集声学前端模块（麦克风阵列、降噪、硬件平台），其它方面（生产制造、云端内容）可以用合作的方式来补齐。
于是，创始人们从专业出发，着手去改善体验最差的远场语音交互问题，提供4+1, 6+1等完整的麦克风整列方案，为智能音箱开发出足够灵敏的“耳朵”，以便采集更好的数据，为机器学习提供数据基矗
相比于同期竞争者，声智科技的发展路线最为极致和专注，不断完善远场感知技术中声源测向、混响去除、噪声抑制等功能，把语音识别率提高到95%以上。
声智麦克风阵列模组系列
即使有了业内一流的语音技术积累，声智也没有进军当时风靡一时的智能音箱领域，常乐说，公司既是技术型驱动，商业模式就想的很清楚：在自己最擅长的技术点上树立优势，以此来出售具有高附加值的产品或方案，成为行业的底层技术供应商。
在解决远场语音交互的前端技术后，声智开始填充整个“木桶”的其它板块，语义理解、大数据解析、智能搜索、知识图谱等等。2017年，中国的智能音箱市场彻底进入“百箱大战”的阶段。小米、百度、阿里、联想、出门问问、喜马拉雅等公司相继发布了自己的产品，而提供底层语音技术服务的声智科技马上成了众多公司的合作首眩
2
寻找智能音箱之外的更多可能
站在2021年的节点去看，亚马逊当年恢弘的蓝图依然在被一批人坚持着，智能音箱和围绕它产生的IoT行业已经形成一个巨大的产业。
而随着市场增长和饱和度的提高，整体的增长速度也在放缓，这意味着底层技术提供商需要寻找新的业务增长点。
数据来源：iiMedia Research
5年过去了，伴随着语音交互方式的普及和新技术的发展，人与机器交互方式也由单一的维度的触控、图像、语音转变成为声光融合等多维度的人机交互融合。
在常乐看来，过去5年，机器开始有了模仿人类的听觉，视觉，语言，推理等能力，但是大部分的人机交互设计还主要是单一维度感知、认知能力等提升。
例如图像识别算法可以感知事物，但无法使用语言来描述它们；自然语言模型可以理解文字，但文字是脱离任何感官现实的。而真实场景的人机交互需要融合人类认知、感知能力的多模态交互，可以将语言、图像、声音和其他感官信息联系起来，解决复杂问题。
基于这样的市场和行业判断，常乐总结了声智的发展思路，首先是继续加大对多模态融合AI技术研发投入，并输出标准化AI技术服务能力，为更多的企业赋能。
另一方面，则需要找到新的产品载体和突破口，为声智科技的技术、产品和解决方案寻找更多的落地应用的场景。
于是，在声智科技占据了中国70%的远场语音交互市场后，毅然决然地开始了新的征程。
声智科技合作的智能音箱
在智能音箱火速发展的那几年内，云计算、5G、深度学习、AI芯片等技术也相继成熟，人们探讨的不再是围绕智能家居为中心的生活场景，“AI+IoT”概念的提出产生了智能城市、智能制造、远程监控、智能座舱等更多的领域，产生出了更大的价值。
从智能音箱作为突破口的声智科技，也将自己的技术从声学语音拓展成声光融合，内容服务聚合、数据智能分析、IOT智能控制等多维度发展，搭建出了开源开放的人工智能交互平台，落地场景扩展到智慧健康、智慧安全、智慧生活等诸多领域。
可声控的机器人
在智慧办公场景中，声智推出的智能会议系统，基于智能麦克风、会易宝等产品，可以解决会议中噪声大、信号失真等问题，实现实时语音转写、会议纪要，多角色分离等功能，转写准确率达98%以上。
在智慧园区场景中，声智的智慧电梯可以通过语音命令，手势识别，AI数字人主动为您呼梯等人工智能交互的方式，帮助用户去到想去的楼层，实现全程无接触的乘梯体验，已在北京、上海、青岛、苏州等医院、机尝园区正式投入。
在智慧社区场景中，声智的AI数字人红外测温与监控解决可实现1-6米范围内、在0.2秒内完成多个目标的高精度测温，并支持实时AI语音合成播报，自动上传预警信息。用户可全程无感测温，方便快捷。
在智慧生活领域，声智还推出了智能降噪耳机，用军工品质的主动降噪技术，给用户全新的听觉体验，并通过先进的免唤醒技术，无需唤醒指令就可以语音指挥耳机完成歌曲播放切换、语音翻译等功能。
声智时空胶囊耳机
通过一系列产品线的布局，声智的业务布局也从技术、软件授权服务，丰富到提供完整的产品、综合解决方案和服务。多年的技术积累和商业化能力，帮助声智获得了资本的持续支持，从1200万的天使轮融资，到1600万的Pre-A、近亿元的A轮、2亿的B轮、B+…一路水到渠成。
声智目前的业务涉猎的领域较多，可在AI行业逐渐垂直化，产业细分化的当下，声智的多点覆盖是否会不够专精？常乐表示，公司一直追求的，是把人工智能交互技术做到极致，适用于多个领域，更加通用化：
“基于底层的人工智能操作系统，去做不同市场场景的商业化落地，貌似看起来业务分散，反而我们认为是把业务做的专精化。我们推出人工智能的操作系统，不光是有语言理解、图像处理这样的能力，还有声光融合的综合能力，把多模态感知技术和人工智能技术做一个很好的融合，去面向各个的领域去做复制，成为基础设施。”
常乐依然笃定AI的未来，而底层的交互系统，将是AIoT的基石。声智想做的，是AI时代的应用层操作系统，为更多的企业做服务，去赋能更多的行业。
从这个角度来看，公司目前所涉及的智慧健康、智慧安全、智慧生活的产品，均是AI操作系统在应用层的落地，一个个不同领域落地项目的实施，反过来也是对系统本身的修补和完善。
“成为AI时代的底层操作系统” ，这大概是所有AI企业的梦想，而声智科技已经在路上。
