MEET2020 | 王硯峰揭秘搜狗AI技術(shù)體系：自然交互在左，知識計算在右，核心是語言

郭一璞 2019-12-16 13:35:33 來源：量子位

郭一璞 整理自 MEET2020智能未來大會
量子位 報道 | 公眾號 QbitAI

從虛擬主播、錄音筆到AI同傳，搜狗這家公司落地了各種各樣的AI應用，并且直接讓用戶有所感知。

這些看起來神奇的應用背后，搜狗是怎么想的、又是怎么做的呢？

在MEET 2020智能未來大會上，搜狗AI交互事業(yè)部總經(jīng)理王硯峰，分享了搜狗的技術(shù)路線圖與AI實踐。

我們根據(jù)其演講速記，整理了核心觀點，希望從搜狗的AI落地實踐中，你也能看見AI落地過程中的新價值、新邊界和新格局。

關(guān)于MEET2020智能未來大會：量子位主辦，現(xiàn)場20多位行業(yè)大咖分享，1000多名行業(yè)觀眾參與，線上有近百萬從業(yè)者通過直播參與觀看和互動，包括新華社在內(nèi)的數(shù)十家主流媒體報道，活動整體線上總曝光量超過千萬。

要點

1.當傳統(tǒng)行業(yè)面臨增長瓶頸，通過AI賦能可以帶來生產(chǎn)力變革和突破，最終轉(zhuǎn)化成行業(yè)價值和用戶價值。

2.硬件有兩個發(fā)展趨勢，一方面朝著更便攜的方式發(fā)展，另一方面硬件的IO更加智能。

3.以語言作為核心，左邊是自然交互，右邊是知識計算，在自然交互中做語音、圖像，在知識計算當中做問答、翻譯、對話，這就是整個搜狗的AI技術(shù)體系。

4.AI同傳現(xiàn)已不再翻車，雖然趕不上頂級人類同傳，但能服務更多場合。

5.針對用戶的問題，機器實時請求全網(wǎng)的結(jié)果，整理之后再來回答，這一定是未來搜索的形態(tài)。

王硯峰演講分享全文

注：量子位在不改變原意的基礎(chǔ)上進行了編輯整理

各位現(xiàn)場的媒體和行業(yè)朋友，大家下午好?，F(xiàn)在由我來給大家分享一下搜狗在2019年AI方面從產(chǎn)品到技術(shù)的思考，以及我們所做的突破。

從錄音筆看AI硬件趨勢

搜狗錄音筆，是我們?nèi)ツ?月份發(fā)布的一款產(chǎn)品，這款產(chǎn)品從3月份發(fā)布至今，線上平臺不管是單品銷量還是銷售額都是第一名。很多的媒體朋友都跟我說，現(xiàn)在他們已經(jīng)標配了搜狗錄音筆，如果缺少了這個工具，記錄和寫作的效率就會受到影響。

隨著手機行業(yè)的興起，錄音筆行業(yè)是在慢慢萎縮的，每年都是下降的趨勢，右圖的黑線是去年電商訪客數(shù)據(jù)。但是搜狗錄音筆上線后，錄音筆的搜索量反而增長了。

這就說明，當我們面向一個產(chǎn)生增長瓶頸的傳統(tǒng)行業(yè)的時候，AI技術(shù)可以賦能到傳統(tǒng)行業(yè)，帶來生產(chǎn)力的變革和突破，最終轉(zhuǎn)化成行業(yè)價值和用戶價值。

而且，搜狗錄音筆在京東已經(jīng)有很不錯的好評和復購率了。當一個硬件產(chǎn)品在像京東這樣的平臺上產(chǎn)生比較不錯的復購率的時候，能在一定程度上代表這個產(chǎn)品在整個網(wǎng)民、用戶群體和行業(yè)內(nèi)的口碑。

我們不僅自己做了一個產(chǎn)品，還希望能夠把我們的能力賦能到錄音筆行業(yè)當中，幫助整個行業(yè)一起往前走。

今年8月份，我們連同索尼錄音筆、愛國者、紐曼等品牌，成立了一個AI創(chuàng)新聯(lián)盟，把我們的AI能力提供給錄音筆廠商，實現(xiàn)他們產(chǎn)品的AI化，包括幫他們實現(xiàn)好的用戶體驗和增值服務。

現(xiàn)在大家看到的一些新的愛國者錄音筆、索尼錄音筆，出廠的時候會標配搜狗聽寫服務，這個服務就是搜狗從技術(shù)到產(chǎn)品方面的AI沉淀。

搜狗為什么要做AI錄音筆這個產(chǎn)品呢？這后面其實是我們對于整個AI硬件的思考。

硬件大概有兩個發(fā)展趨勢，第一個發(fā)展趨勢就是朝著更便攜的方式發(fā)展。以前說硬件是電腦，后來有了Pad，后來有了手機、手表、耳機，向著越來越便攜、靈活的方式發(fā)展。

另外一個發(fā)展趨勢就是硬件的IO更加智能。以前我們最早用電腦的時候，只能用鍵盤和鼠標；而現(xiàn)在用手機的時候，很多時候就已經(jīng)在用語音了。

而且不管是錄音筆還是耳機，未來的交互方式更多都是語音，所以本身它會朝著更IO的方向發(fā)展，尤其未來它會接管人的感官，甚至有一些生理入侵。其實已經(jīng)有一些行業(yè)大咖身體里植入了一些芯片，讓芯片給他更好的賦能。

總結(jié)下來，其實我們搜狗做AI硬件的定位是三點：

第一點，我們希望我們的AI硬件賦能于人，能夠去提升人的能力，提升人的效率，提升人能力的邊界。

第二點，我們希望我們的AI硬件做得更便捷、小巧，方便每個人攜帶，而不是做一個在家里的音箱、電視，這不是搜狗AI的發(fā)展方向。

第三點，我們的AI硬件以語言為產(chǎn)品的核心，我們希望通過AI的能力在語言方面對用戶、對網(wǎng)民做全方位的賦能。

搜狗AI技術(shù)體系

怎么解讀語言AI這件事呢？首先大家應該都會了解語言其實是人跟人之間溝通的載體，是知識承載的載體，是信息承載的載體，所以語言在社會的核心當中起到了絕對重要的作用，是信息的推動者，信息的發(fā)展者。人類社會自從有了語言，就發(fā)生了巨大的變革。

所以，語言是人工智能的一顆明珠，我們一直把語言當成我們最核心的AI發(fā)展方向和突破點。我們解決了視覺問題、解決了語音問題，但是圍繞著語言，包括今天NLP的問題仍然沒有得到突破，所以我們希望能夠圍繞語言去盡快推動產(chǎn)品的突破，推動技術(shù)的進步，所以搜狗斷言，我們希望能夠在語言方面做一個行業(yè)的創(chuàng)新者，去做AI語言技術(shù)行業(yè)的引領(lǐng)者。

我們做AI的時候，為什么以語言為核心呢？因為輸入法和搜索這兩個搜狗的傳統(tǒng)產(chǎn)品，其實都是圍繞自然語言，輸入法是為了讓用戶有更好的詞庫、更好的自動輸入的能力，讓大家的打字效率得到提升。搜索就是圍繞語言這件事做更好的信息獲取。

所以這是套以語言為核心的AI體系。

在這個AI體系下，我們分成了兩個方向，一個是自然交互，自然交互解決的是人與機器之間的溝通能力；另一個是知識計算，知識計算解決的是，我怎么通過語言的能力從大量的信息當中做知識的挖掘、做對話、做問答。

最終會形成兩條產(chǎn)品線，第一條產(chǎn)品線就是AI硬件，圍繞自然交互和語言為核心，做各種硬件形態(tài)的探索。第二條產(chǎn)品線，我們會圍繞知識計算做各種垂直問答，比如搜狗明醫(yī)，未來搜狗搜索也會提升知識服務能力。

所以最終這兩件事串起來就是智能助理。搜狗希望以語言AI為核心，做用戶在各個場景下的智能助理，比如翻譯是出國場景下的助理，錄音筆是記錄信息場景下的助理，而問答是獲取信息場景下的助理。

我們希望做到語言AI技術(shù)的引領(lǐng)者和創(chuàng)新者。以語言作為核心，左邊是自然交互，右邊是知識計算，在自然交互中做語音、圖像，在知識計算當中做問答、翻譯、對話，這就是整個搜狗的AI技術(shù)體系。

搜狗的語音識別

除了錄音筆，搜狗目前在技術(shù)跟產(chǎn)品上還有很多值得驕傲的點。

第一，就是語音識別。搜狗在語音識別方面是相對做得比較早的，搜狗輸入法今年單日語音輸入調(diào)用次數(shù)峰值超過了8億次，是目前規(guī)模最大的語音輸入法。

但是光有語音輸入，我們覺得不夠，因為語音輸入的場景是人朝著機器去說一段信息，然后機器把信息變成文字發(fā)送給對方。而在錄音筆的場景下是語音的記錄，而且記錄過程中僅有輸入這么簡單的一件事。

像大家經(jīng)常面臨的中英文混合的問題，我們已經(jīng)解決了。除了單純的語音識別，我們先做了說話人的識別，讓機器區(qū)分這句話是誰說的，這在錄音筆場景下是非常關(guān)鍵的能力。同時很多場景中都有一些噪音，我們今年做了一件事，不止用陣列，而是用深度學習來降噪，把人的聲音跟背景音做效果很好的切分。

采訪中有很多背景噪聲和其他人的聲音，所以我們聽采訪的時候聽不清楚。我們提出了ClairVoice降噪算法，通過這個算法的過濾，噪聲去掉了，原本的聲音變得清晰了。大家看電視新聞的時候也會感覺到，很多記者采訪的場景是噪聲很大的，比如大風天氣的室外、飛機場等，通過AI降噪技術(shù)，觀眾其實已經(jīng)聽不到噪聲了。

搜狗的語音合成

語音合成方面，隨著我們在深度學習上的努力，通過我們國際領(lǐng)先的基于WaveNet、WaveRNN的語音合成技術(shù)，我們可以做到更好的效果。

我們用羅輯思維錄音做了語音合成。對比以前的語音合成，這種語音合成的效果已經(jīng)更接近本人了，它已經(jīng)可以在很多場景下使用了。

但是我們會覺得光有語音合成不夠，因為語音合成目前仍然做不到情感豐富、抑揚頓挫。

所以我們做了一個技術(shù)叫語音變聲，比如要給一個大IP、名人做合成，我們把這個大IP的聲音采集下來建立一個模型，形成一個聲音的皮膚，背后會有一個音頻的表演者，這個表演者是帶有感情的，是抑揚頓挫的，然后我們把這個大IP的聲音皮膚貼到這段音頻上，就能讓這個大IP的聲音開始情感豐富的說話。

語音變聲會有很多應用場景，比如很多父母自己沒有時間給家里的小孩講故事，我們就希望能夠把父母的聲音皮膚刻畫出來，未來他的聲音皮膚直接貼到“凱叔講故事”的音頻上，就能夠?qū)崿F(xiàn)用爸爸媽媽的聲音很有情感的給小朋友講一段故事。

比如，我們把凱叔的聲音，用王小川14分鐘的語音數(shù)據(jù)做了訓練，形成了這樣一個“作品”其實小川平時講故事的情感肯定不像機器合成出來的這么飽滿，包括這14分鐘的語音數(shù)據(jù)聽起來非常的平，因此我們在這個場景下會對父母們有很大的幫助。

我們前段時間做了一個里程碑式的嘗試。

此前，語音合成一向很難放到付費音頻的領(lǐng)域來使用，因為付費音頻聽眾對音頻質(zhì)量有要求，其實是一個音頻表演，交付的是一個音頻內(nèi)容，聽眾要為這件事買單，所以目前所有的付費平臺都不敢用機器合成的方式進行付費音頻的生產(chǎn)。

就在前段時間我們在得到平臺上跟梁寧合作，用轉(zhuǎn)述師的聲音套上梁寧的聲音皮膚來合成音頻。

這樣出來的效果既保留了表演的部分，同時還帶了梁寧的音色和發(fā)音習慣，這種方法解決了很多大咖、IP音頻生產(chǎn)中的痛點，也是全球第一次在付費音頻領(lǐng)域做語音合成的嘗試。之后我們會和更多的IP合作，也會看到更多這樣的內(nèi)容。

搜狗分身

同時，我們覺得有語言不夠，因為未來人機交互的界面一定有語音又有視頻，所以我們做了分身技術(shù)，去年年底，我們聯(lián)合新華社推出了AI合成主播，為了讓虛擬分身的效果變得更加逼真，到現(xiàn)在為止我們經(jīng)歷了四代技術(shù)演變。

今年年初的時候，虛擬主播的面部表情和動作還是相對比較僵硬的，后來我們做的效果就非常的逼真了，如果我不說這是機器合成的話，可能很多朋友分辨不出來這個到底是機器做的還是真人。

我們發(fā)布了第四代合成分身技術(shù)以后，還可以做更多語種，比如我們做了第一個俄語的合成主播。

另外，這項技術(shù)也在很多的行業(yè)落地，比如說我們幫平安做了AI客服。

因為平安有一個需求，在做貸款審核的時候需要一個面對面的客服來進行審核，這個過程是通過網(wǎng)絡(luò)完成的。所以我們幫平安做了一個虛擬客服的形象，這個客服早就已經(jīng)上崗了。

目前，我們的AI合成主播在互聯(lián)網(wǎng)法院、新華社、央視，包括在平安已經(jīng)產(chǎn)生了實際的應用。

搜狗AI翻譯

搜狗為什么做翻譯？

因為搜狗在做輸入法、做搜索的時候，會遇到跨語言信息表達和獲取的問題。

現(xiàn)在，華語是全球第一大語言，剩下的語言使用人數(shù)相對比例更少、有更長尾的分布，語言的不同會讓信息和文化的交流產(chǎn)生隔閡。所以我們希望搜狗能通過一個好的翻譯能力，幫助用戶做更好的信息交流和內(nèi)容獲取。

我們的翻譯到目前為止取得了好幾次行業(yè)內(nèi)的突破。

首先，在2016年11月份，第三次烏鎮(zhèn)互聯(lián)網(wǎng)大會上，我們首發(fā)了搜狗同傳，這也是世界上第一次把機器同傳用到了真實的場景下，并且替代人工同傳。

不久后，我們又在2017年1月份上線了英文搜索，其實是國內(nèi)首個跨語言檢索的搜索引擎，大家搜中文就可以得到英文的內(nèi)容，還可以幫大家翻譯成中文的結(jié)果，尤其是在學術(shù)、醫(yī)療的領(lǐng)域，很多優(yōu)質(zhì)資源都在外網(wǎng)，會對大家有很大的幫助。

同年10月份，我們又發(fā)布了搜狗AI翻譯機，也是同類產(chǎn)品中首個能夠離線翻譯的。因為我們出國經(jīng)常碰到?jīng)]有網(wǎng)絡(luò)的情況，我們是首個能夠把離線翻譯做到實用級水平的。

后來我們又在2018年的時候推出了英文到中文的翻譯，因為當時國內(nèi)做同傳都是中文到英文，但實際上在座的各位看一個中文演講者的時候，其實不需要翻譯內(nèi)容，更多的是對英文的翻譯。所以我們從更落地、更實用的方向，做了國內(nèi)第一個從英文到中文的同傳。

目前為止，我們在翻譯上，尤其是同傳上取得了相對很實用的效果。比如說今年我們支持了大概100場跨語言的會議，像蘋果的發(fā)布會，我們直接給幾個網(wǎng)站加了同傳進行直播。

其實一年前，大家在很多活動現(xiàn)場看到的AI同傳會變成車禍現(xiàn)場，也有一些翻譯效果很不好的情況。但現(xiàn)在，大家看到這個翻譯的時候，AI同傳已經(jīng)真的開始進入到可用的地步了。

當然我們現(xiàn)在的效果還沒法跟頂級的人類同傳相比，但是我們會用在更多的場合，因為很多場合是沒有好的人類同傳資源的，但是有了機器同傳，就會有更好的現(xiàn)場部署，幫助與會者完成信息的交流。

搜狗問答

最后說一下問答，搜狗為什么做問答？

因為搜狗在做搜索，搜索的未來一定是問答。

這種交互界面一定不會像現(xiàn)在這樣，輸入關(guān)鍵詞，然后會有幾條結(jié)果。未來，面向各種智能設(shè)備，搜索都會變成直接能夠獲得答案的交互方式。

我們目前的問答，尤其面向智能音箱、語音助手這樣的產(chǎn)品，一定是通過一問一答的方式來解決用戶問題的。

我們2016年底跟《一站到底》進行的合作，智能機器人和現(xiàn)場的人類PK回答問題，其中所有的問題都是知識類的問答。

現(xiàn)在搜狗就是在整合全網(wǎng)的知識，能夠更好地滿足用戶對于知識的需求，所以我們把它叫做知識計算。我們的這個能力跟IBM Watson不一樣，IBM Watson是在固定的數(shù)據(jù)集上進行回答，我們的機器人的實時請求全網(wǎng)的結(jié)果，整理之后再來回答主持人的問題，這一定是未來搜索的形態(tài)。

總結(jié)下來，我們在語言AI上有各種技術(shù)突破，也有各種產(chǎn)品的布局。在知識計算上我們做搜索、做醫(yī)療、做各種輔助問答，在自然交互方面我們有輸入法、做了同傳、做錄音筆，做合成主播。

未來所有的這些技術(shù)都會匯總成我剛才說的在各個場景下的智能助理，幫助用戶提升自己的邊界，幫助用戶提升自己的能力，讓自己變得更強大，這就是我今天介紹的，謝謝大家。