MEET2020 | 王硯峰揭秘搜狗AI技術(shù)體系：自然交互在左，知識(shí)計(jì)算在右，核心是語(yǔ)言

郭一璞 2019-12-16 13:35:33 來(lái)源：量子位

郭一璞 整理自 MEET2020智能未來(lái)大會(huì)
量子位 報(bào)道 | 公眾號(hào) 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(yīng)用，并且直接讓用戶有所感知。

這些看起來(lái)神奇的應(yīng)用背后，搜狗是怎么想的、又是怎么做的呢？

在MEET 2020智能未來(lái)大會(huì)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(shí)踐。

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

關(guān)于MEET2020智能未來(lái)大會(huì)：量子位主辦，現(xiàn)場(chǎng)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(wàn)從業(yè)者通過(guò)直播參與觀看和互動(dòng)，包括新華社在內(nèi)的數(shù)十家主流媒體報(bào)道，活動(dòng)整體線上總曝光量超過(guò)千萬(wàn)。

要點(diǎn)

1.當(dāng)傳統(tǒng)行業(yè)面臨增長(zhǎng)瓶頸，通過(guò)AI賦能可以帶來(lái)生產(chǎn)力變革和突破，最終轉(zhuǎn)化成行業(yè)價(jià)值和用戶價(jià)值。

2.硬件有兩個(gè)發(fā)展趨勢(shì)，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(yǔ)言作為核心，左邊是自然交互，右邊是知識(shí)計(jì)算，在自然交互中做語(yǔ)音、圖像，在知識(shí)計(jì)算當(dāng)中做問(wèn)答、翻譯、對(duì)話，這就是整個(gè)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(jí)人類同傳，但能服務(wù)更多場(chǎng)合。

5.針對(duì)用戶的問(wèn)題，機(jī)器實(shí)時(shí)請(qǐng)求全網(wǎng)的結(jié)果，整理之后再來(lái)回答，這一定是未來(lái)搜索的形態(tài)。

王硯峰演講分享全文

注：量子位在不改變?cè)獾幕A(chǔ)上進(jìn)行了編輯整理

各位現(xiàn)場(chǎng)的媒體和行業(yè)朋友，大家下午好。現(xiàn)在由我來(lái)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(shì)

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(tái)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(shuō)，現(xiàn)在他們已經(jīng)標(biāo)配了搜狗錄音筆，如果缺少了這個(gè)工具，記錄和寫作的效率就會(huì)受到影響。

隨著手機(jī)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(shì)，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(zhǎng)了。

這就說(shuō)明，當(dāng)我們面向一個(gè)產(chǎn)生增長(zhǎng)瓶頸的傳統(tǒng)行業(yè)的時(shí)候，AI技術(shù)可以賦能到傳統(tǒng)行業(yè)，帶來(lái)生產(chǎn)力的變革和突破，最終轉(zhuǎn)化成行業(yè)價(jià)值和用戶價(jià)值。

而且，搜狗錄音筆在京東已經(jīng)有很不錯(cuò)的好評(píng)和復(fù)購(gòu)率了。當(dāng)一個(gè)硬件產(chǎn)品在像京東這樣的平臺(tái)上產(chǎn)生比較不錯(cuò)的復(fù)購(gòu)率的時(shí)候，能在一定程度上代表這個(gè)產(chǎn)品在整個(gè)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(gè)產(chǎn)品，還希望能夠把我們的能力賦能到錄音筆行業(yè)當(dāng)中，幫助整個(gè)行業(yè)一起往前走。

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

現(xiàn)在大家看到的一些新的愛國(guó)者錄音筆、索尼錄音筆，出廠的時(shí)候會(huì)標(biāo)配搜狗聽寫服務(wù)，這個(gè)服務(wù)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(gè)產(chǎn)品呢？這后面其實(shí)是我們對(duì)于整個(gè)AI硬件的思考。

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

另外一個(gè)發(fā)展趨勢(shì)就是硬件的IO更加智能。以前我們最早用電腦的時(shí)候，只能用鍵盤和鼠標(biāo)；而現(xiàn)在用手機(jī)的時(shí)候，很多時(shí)候就已經(jīng)在用語(yǔ)音了。

而且不管是錄音筆還是耳機(jī)，未來(lái)的交互方式更多都是語(yǔ)音，所以本身它會(huì)朝著更IO的方向發(fā)展，尤其未來(lái)它會(huì)接管人的感官，甚至有一些生理入侵。其實(shí)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(lái)，其實(shí)我們搜狗做AI硬件的定位是三點(diǎn)：

第一點(diǎn)，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(diǎn)，我們希望我們的AI硬件做得更便捷、小巧，方便每個(gè)人攜帶，而不是做一個(gè)在家里的音箱、電視，這不是搜狗AI的發(fā)展方向。

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

搜狗AI技術(shù)體系

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

所以，語(yǔ)言是人工智能的一顆明珠，我們一直把語(yǔ)言當(dāng)成我們最核心的AI發(fā)展方向和突破點(diǎn)。我們解決了視覺(jué)問(wèn)題、解決了語(yǔ)音問(wèn)題，但是圍繞著語(yǔ)言，包括今天NLP的問(wèn)題仍然沒(méi)有得到突破，所以我們希望能夠圍繞語(yǔ)言去盡快推動(dòng)產(chǎn)品的突破，推動(dòng)技術(shù)的進(jìn)步，所以搜狗斷言，我們希望能夠在語(yǔ)言方面做一個(gè)行業(yè)的創(chuàng)新者，去做AI語(yǔ)言技術(shù)行業(yè)的引領(lǐng)者。

我們做AI的時(shí)候，為什么以語(yǔ)言為核心呢？因?yàn)檩斎敕ê退阉鬟@兩個(gè)搜狗的傳統(tǒng)產(chǎn)品，其實(shí)都是圍繞自然語(yǔ)言，輸入法是為了讓用戶有更好的詞庫(kù)、更好的自動(dòng)輸入的能力，讓大家的打字效率得到提升。搜索就是圍繞語(yǔ)言這件事做更好的信息獲取。

所以這是套以語(yǔ)言為核心的AI體系。

在這個(gè)AI體系下，我們分成了兩個(gè)方向，一個(gè)是自然交互，自然交互解決的是人與機(jī)器之間的溝通能力；另一個(gè)是知識(shí)計(jì)算，知識(shí)計(jì)算解決的是，我怎么通過(guò)語(yǔ)言的能力從大量的信息當(dāng)中做知識(shí)的挖掘、做對(duì)話、做問(wèn)答。

最終會(huì)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(yǔ)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(huì)圍繞知識(shí)計(jì)算做各種垂直問(wèn)答，比如搜狗明醫(yī)，未來(lái)搜狗搜索也會(huì)提升知識(shí)服務(wù)能力。

所以最終這兩件事串起來(lái)就是智能助理。搜狗希望以語(yǔ)言AI為核心，做用戶在各個(gè)場(chǎng)景下的智能助理，比如翻譯是出國(guó)場(chǎng)景下的助理，錄音筆是記錄信息場(chǎng)景下的助理，而問(wèn)答是獲取信息場(chǎng)景下的助理。

我們希望做到語(yǔ)言AI技術(shù)的引領(lǐng)者和創(chuàng)新者。以語(yǔ)言作為核心，左邊是自然交互，右邊是知識(shí)計(jì)算，在自然交互中做語(yǔ)音、圖像，在知識(shí)計(jì)算當(dāng)中做問(wèn)答、翻譯、對(duì)話，這就是整個(gè)搜狗的AI技術(shù)體系。

搜狗的語(yǔ)音識(shí)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(diǎn)。

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

但是光有語(yǔ)音輸入，我們覺(jué)得不夠，因?yàn)檎Z(yǔ)音輸入的場(chǎng)景是人朝著機(jī)器去說(shuō)一段信息，然后機(jī)器把信息變成文字發(fā)送給對(duì)方。而在錄音筆的場(chǎng)景下是語(yǔ)音的記錄，而且記錄過(guò)程中僅有輸入這么簡(jiǎn)單的一件事。

像大家經(jīng)常面臨的中英文混合的問(wèn)題，我們已經(jīng)解決了。除了單純的語(yǔ)音識(shí)別，我們先做了說(shuō)話人的識(shí)別，讓機(jī)器區(qū)分這句話是誰(shuí)說(shuō)的，這在錄音筆場(chǎng)景下是非常關(guān)鍵的能力。同時(shí)很多場(chǎng)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(xué)習(xí)來(lái)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(shí)候聽不清楚。我們提出了ClairVoice降噪算法，通過(guò)這個(gè)算法的過(guò)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(shí)候也會(huì)感覺(jué)到，很多記者采訪的場(chǎng)景是噪聲很大的，比如大風(fēng)天氣的室外、飛機(jī)場(chǎng)等，通過(guò)AI降噪技術(shù)，觀眾其實(shí)已經(jīng)聽不到噪聲了。

搜狗的語(yǔ)音合成

語(yǔ)音合成方面，隨著我們?cè)谏疃葘W(xué)習(xí)上的努力，通過(guò)我們國(guó)際領(lǐng)先的基于WaveNet、WaveRNN的語(yǔ)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(yǔ)音合成。對(duì)比以前的語(yǔ)音合成，這種語(yǔ)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(chǎng)景下使用了。

但是我們會(huì)覺(jué)得光有語(yǔ)音合成不夠，因?yàn)檎Z(yǔ)音合成目前仍然做不到情感豐富、抑揚(yáng)頓挫。

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

語(yǔ)音變聲會(huì)有很多應(yīng)用場(chǎng)景，比如很多父母自己沒(méi)有時(shí)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(lái)，未來(lái)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(yǔ)音數(shù)據(jù)做了訓(xùn)練，形成了這樣一個(gè)“作品”其實(shí)小川平時(shí)講故事的情感肯定不像機(jī)器合成出來(lái)的這么飽滿，包括這14分鐘的語(yǔ)音數(shù)據(jù)聽起來(lái)非常的平，因此我們?cè)谶@個(gè)場(chǎng)景下會(huì)對(duì)父母?jìng)冇泻艽蟮膸椭?/p>

我們前段時(shí)間做了一個(gè)里程碑式的嘗試。

此前，語(yǔ)音合成一向很難放到付費(fèi)音頻的領(lǐng)域來(lái)使用，因?yàn)楦顿M(fèi)音頻聽眾對(duì)音頻質(zhì)量有要求，其實(shí)是一個(gè)音頻表演，交付的是一個(gè)音頻內(nèi)容，聽眾要為這件事買單，所以目前所有的付費(fèi)平臺(tái)都不敢用機(jī)器合成的方式進(jìn)行付費(fèi)音頻的生產(chǎn)。

就在前段時(shí)間我們?cè)诘玫狡脚_(tái)上跟梁寧合作，用轉(zhuǎn)述師的聲音套上梁寧的聲音皮膚來(lái)合成音頻。

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

搜狗分身

同時(shí)，我們覺(jué)得有語(yǔ)言不夠，因?yàn)槲磥?lái)人機(jī)交互的界面一定有語(yǔ)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(shí)候，虛擬主播的面部表情和動(dòng)作還是相對(duì)比較僵硬的，后來(lái)我們做的效果就非常的逼真了，如果我不說(shuō)這是機(jī)器合成的話，可能很多朋友分辨不出來(lái)這個(gè)到底是機(jī)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(yǔ)種，比如我們做了第一個(gè)俄語(yǔ)的合成主播。

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

因?yàn)槠桨灿幸粋€(gè)需求，在做貸款審核的時(shí)候需要一個(gè)面對(duì)面的客服來(lái)進(jìn)行審核，這個(gè)過(guò)程是通過(guò)網(wǎng)絡(luò)完成的。所以我們幫平安做了一個(gè)虛擬客服的形象，這個(gè)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(shí)際的應(yīng)用。

搜狗AI翻譯

搜狗為什么做翻譯？

因?yàn)樗压吩谧鲚斎敕ā⒆鏊阉鞯臅r(shí)候，會(huì)遇到跨語(yǔ)言信息表達(dá)和獲取的問(wèn)題。

現(xiàn)在，華語(yǔ)是全球第一大語(yǔ)言，剩下的語(yǔ)言使用人數(shù)相對(duì)比例更少、有更長(zhǎng)尾的分布，語(yǔ)言的不同會(huì)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(guò)一個(gè)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(huì)上，我們首發(fā)了搜狗同傳，這也是世界上第一次把機(jī)器同傳用到了真實(shí)的場(chǎng)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(shí)是國(guó)內(nèi)首個(gè)跨語(yǔ)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(xué)術(shù)、醫(yī)療的領(lǐng)域，很多優(yōu)質(zhì)資源都在外網(wǎng)，會(huì)對(duì)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(jī)，也是同類產(chǎn)品中首個(gè)能夠離線翻譯的。因?yàn)槲覀兂鰢?guó)經(jīng)常碰到?jīng)]有網(wǎng)絡(luò)的情況，我們是首個(gè)能夠把離線翻譯做到實(shí)用級(jí)水平的。

后來(lái)我們又在2018年的時(shí)候推出了英文到中文的翻譯，因?yàn)楫?dāng)時(shí)國(guó)內(nèi)做同傳都是中文到英文，但實(shí)際上在座的各位看一個(gè)中文演講者的時(shí)候，其實(shí)不需要翻譯內(nèi)容，更多的是對(duì)英文的翻譯。所以我們從更落地、更實(shí)用的方向，做了國(guó)內(nèi)第一個(gè)從英文到中文的同傳。

目前為止，我們?cè)诜g上，尤其是同傳上取得了相對(duì)很實(shí)用的效果。比如說(shuō)今年我們支持了大概100場(chǎng)跨語(yǔ)言的會(huì)議，像蘋果的發(fā)布會(huì)，我們直接給幾個(gè)網(wǎng)站加了同傳進(jìn)行直播。

其實(shí)一年前，大家在很多活動(dòng)現(xiàn)場(chǎng)看到的AI同傳會(huì)變成車禍現(xiàn)場(chǎng)，也有一些翻譯效果很不好的情況。但現(xiàn)在，大家看到這個(gè)翻譯的時(shí)候，AI同傳已經(jīng)真的開始進(jìn)入到可用的地步了。

當(dāng)然我們現(xiàn)在的效果還沒(méi)法跟頂級(jí)的人類同傳相比，但是我們會(huì)用在更多的場(chǎng)合，因?yàn)楹芏鄨?chǎng)合是沒(méi)有好的人類同傳資源的，但是有了機(jī)器同傳，就會(huì)有更好的現(xiàn)場(chǎng)部署，幫助與會(huì)者完成信息的交流。

搜狗問(wèn)答

最后說(shuō)一下問(wèn)答，搜狗為什么做問(wèn)答？

因?yàn)樗压吩谧鏊阉?，搜索的未?lái)一定是問(wèn)答。

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

我們目前的問(wèn)答，尤其面向智能音箱、語(yǔ)音助手這樣的產(chǎn)品，一定是通過(guò)一問(wèn)一答的方式來(lái)解決用戶問(wèn)題的。

我們2016年底跟《一站到底》進(jìn)行的合作，智能機(jī)器人和現(xiàn)場(chǎng)的人類PK回答問(wèn)題，其中所有的問(wèn)題都是知識(shí)類的問(wèn)答。

現(xiàn)在搜狗就是在整合全網(wǎng)的知識(shí)，能夠更好地滿足用戶對(duì)于知識(shí)的需求，所以我們把它叫做知識(shí)計(jì)算。我們的這個(gè)能力跟IBM Watson不一樣，IBM Watson是在固定的數(shù)據(jù)集上進(jìn)行回答，我們的機(jī)器人的實(shí)時(shí)請(qǐng)求全網(wǎng)的結(jié)果，整理之后再來(lái)回答主持人的問(wèn)題，這一定是未來(lái)搜索的形態(tài)。

總結(jié)下來(lái)，我們?cè)谡Z(yǔ)言AI上有各種技術(shù)突破，也有各種產(chǎn)品的布局。在知識(shí)計(jì)算上我們做搜索、做醫(yī)療、做各種輔助問(wèn)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(lái)所有的這些技術(shù)都會(huì)匯總成我剛才說(shuō)的在各個(gè)場(chǎng)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(qiáng)大，這就是我今天介紹的，謝謝大家。