業界| 最初語音識別率只有60%，如今坐擁5億使用者，這款AI產品是怎麼做到的？

機器之心原創

作者：微胖

很多人說，相比技術人員的匱乏，人工智慧領域更迫切需要新型產品經理。進而我們也開始琢磨，什麼才是人工智慧產品？啟動一個 AI 類產品必要因素有哪些？新型產品經理必備的素質是什麼？技術之外，那些被我們忽略的挑戰又是什麼？如何用產品創新跑贏技術變遷速度？

由此，我們在半年前啟動了關於產品的系列報道計劃，訊飛輸入法由於可見的使用者規模成為首先進入我們視野的案例，歡迎持續關注並提供線索及想法。

在技術趨勢、公司基因和網際網路產品方法論相互作用下，訊飛輸入法成為科大訊飛迄今為止最成功的消費級產品。如今，人工智慧即將給輸入法帶來二次變革，訊飛基因將輸入法推上了一條不同於其他競爭對手的道路。

「方池非常愛吃琵琶。」朱蕭木輸入這樣一句話。納尼？「琵琶」明顯是一個同音錯詞。「吃枇杷的枇杷。」朱蕭木說出修改指示，訊飛輸入法自動將句子中的「琵琶」修改為正確的「枇杷。」

語音修改同音錯字並不是個新概念，訊飛一直在嘗試，最終做出滿意效果

這是 11 月 7 日，錘子堅果 Pro2 釋出會上的一幕。目前，訊飛輸入法語音識別率已達 98%。以自然語言互動的方式修改同音錯字來提高識別率，部分有效解決了技術也束手無策的 2% 問題。「3 年內，個性化語音使用者的語音識別率可以達到 99%。」訊飛輸入法產品總監翟吉博告訴我。釋出會的第二天，我開啟谷歌搜尋，輸入「錘子手機，訊飛輸入法」。與一年前的刷屏級反響不同，首頁大部分新聞還停留在 2016 年的那場釋出會上。如今，訊飛輸入法累積使用者已達 5 億，或許人們已經熟悉了這款曾讓他們驚訝不已的產品。「一夜爆紅」的開始

整個過程中最難的地方在於，當你不知道這件事情是否可行時，你要能證明它可行。——胡鬱

科大訊飛總部位於合肥市高新區。訊飛輸入法設在公司總部大廈 7 樓，佔據整個樓層。拜訪時，正值公司午飯時間，滿載員工的四部電梯正忙上忙下。我們只好直達 8 樓，再從樓梯下到 7 樓。推開門，迎面而來的電腦螢幕實時顯示著輸入法關鍵資料指標，鍵盤聲此起彼伏。偌大辦公室的一角擺著幾張小圓桌和椅子，幾個年輕人正在做頭腦風暴，身後不遠的牆壁上貼著幾張員工旅拍照片，笑起來還像是學生。

訊飛輸入法七樓辦公室2016 年 10 月錘子手機發佈會後，「躥紅」、「一夜爆紅」、「網紅」成為各大媒體報道訊飛輸入法的標配。不過，我們很難將眼前的景象和這些機會主義字眼聯絡起來。早在 2014 年，訊飛輸入法語音識別率已達 97%。數字背後，是累積超過 2 億的使用者，約佔中國居民 15%。「當採用創新的人數擴大到居民的 10%~25% 時，擴散進展會突然加快，曲線迅速上升並保持這一趨勢，進入『起飛期』」。E。M。羅傑斯在《創新的擴散》中寫道。兩年後，2016 年，輸入法累積使用者就翻了一番。

但在七年前，「一切幾乎從零開始。」訊飛輸入法研發專案負責人程坤說，「蘋果和安卓系統也剛剛出來。」當時，訊飛從事業部抽調了三名員工攻關輸入法，程坤是其中之一。「吉博當時在研究院，我在通訊增值事業部，還有平嵌部同事。」除了翟吉博有輸入法方面的經驗，其他人從未涉足過這個領域。

訊飛輸入法研發專案負責人程坤，也是輸入法創始團隊成員之一沒有明確分工，每人身兼數職，白天寫程式碼，晚上做測試。通宵達旦兩個月後，訊飛輸入法誕生。因為主打語音技術，最初版本僅配備了最為常見的拼寫、手寫基本功能，鍵盤只有 26 格，取名訊飛語音輸入法。環顧辦公室四周，一面牆上貼滿了專利影印件，緊靠另一面牆的書架上，擺放著大大小小的獎盃。很難想象，最初版本的語音識別率只有 60% 左右，「剛開始大家都覺得難用。」科大訊飛執行總裁胡鬱曾在一次公開講座中坦言。當時，輸入法使用的隱馬爾科夫模型最早可追溯到上世紀七十年代。

辦公室的專利牆

60% 的識別率，意味著輸入 100 個單詞會有 40 個以上的錯誤，即使提高到 80%，也僅僅是勉強可用。使用者對識別出錯的忍受範圍臨界點是什麼？會不會接受這樣一款產品？語音識別技術何時迎來爆點？沒有人知道確切答案。「整個過程中最難的地方在於，當你不知道這件事情是否可行時，你要能夠證明它可行。」胡鬱說。何況，前浪和後浪都容易死在沙灘上。「產品即服務」

沒有人能打敗趨勢。

2007 年，一片簡單的多點觸控玻璃開始改變世界。1 月 9 日，蘋果釋出第一代手機，首次推出多點觸控技術。同年，微軟推出 Surface 平板電腦。「這就是未來。」喬布斯第一次見到這項技術時預言道。想撥號，螢幕會顯示數字，想寫東西，調出打字鍵盤。當用戶想觀看影片時，這些鍵盤都會消失。「你想想，我們能在這個基礎上做多少創新。」喬布斯曾說。「iPhone4 才真正引起國人追捧，但蘋果推出第一代手機時，我就開始關注它了。」翟吉博回憶說。一份創新研究顯示，77% 的創新來自領先使用者，處在組織結構基層的員工更加具有創新性。坐在對面的翟吉博，眼睛明亮有神，思維敏捷但語速平緩。2008 年從上海交大碩士畢業後，翟吉博進入上海的摩托羅拉中國研究中心，從事模式識別方面的研究。

訊飛輸入法產品總監翟吉博

「基於觸屏的全鍵盤輸入體驗不太好。螢幕太小，手指粗。」翟吉博說。當時，蘋果手機的多點觸控觸控式螢幕 3。5 英寸，市場手機螢幕平均大小 3。2 寸。螢幕變化會影響資訊互動。「我習慣從使用者角度看技術。」他說。

實體鍵盤向觸摸螢幕輸入的轉變，給輸入法帶來新的機會。輸入法是一種使用者粘度很高的工具應用，約 80% 的使用者不會主動更換主要輸入法，70% 使用者不會嘗試其他輸入法。搜狗輸入法在 PC 端市場處於絕對主導地位，這一相對優勢幫助搜狗從 PC 端順利遷移了大量使用者到智慧手機端。對於新入局的創新者來說，在輸入方式上做文章，機會更大。

2008 年，初創公司觸寶迅速對市場反應，推出日後大受歡迎的滑行輸入。訊飛的語音基因，促使翟吉博選擇在既有輸入鍵盤上增加一個麥克風圖示。

但是，一個老問題擺在面前：語音識別率久久得不到突破。

儘管，IBM 早在 1995 年就開始嘗試語音識別技術商業化，並在兩年後開發出日後名聲大噪 Via Voice 的前身——世界第一個中文連續語音識別產品 Via Voice 4。0。但在當時，轟動也多半停留語音技術圈。「剛推出，我就滿懷希望地試用了這個軟體，但感到很失望，遠沒有達到解放雙手的願望，使人感到實用的語音識別系統還在路上。」《環球科學》雜誌社社長陳宗周曾在一篇文章中感嘆道。

2006 年，在當時識別準確率還不高的情況下，摩托羅拉「明」系列手機開山之作 A1200 就嘗試提供語音技術服務。「無異於刀尖上起舞，」雲知聲 CEO 黃偉事後回憶道，當時他也是摩托羅拉語音技術服務團隊的成員之一。

不過，多點觸控技術被推向主流後，谷歌等巨頭做語音的思路開始發生變化。成熟的多點觸控技術、2-5 年後有望進入主流視野的雲計算與智慧手機人口紅利交織在一起，為變革語音產品思路奠定了堅實基礎。

2008 年，谷歌把語音識別和搜尋相結合推出了 Google Voice Search，這是一個具有里程碑意義的事件。先將語音轉成文字，利用文字調動搜尋引擎，豐富的使用者資料就能不斷最佳化這個語音系統，形成一個快速迭代的反饋閉環。相比之下，IBM ViaVoice 之所以失敗的重要原因之一就在於其本地化方式，不是網際網路產品思路。

巨頭示範無異於一劑強心針。「基於大資料、雲計算和機器學習的系統框架可以滿足語音輸入大規模應用的需要。」翟吉博說。主打語音輸入，以最快速度進入市場，訊飛輸入法贏得先發優勢。2012 年，國內其他輸入法才陸續支援語音輸入。

跨越鴻溝

細節，還是細節。

「這個我們有專利。」訊飛輸入法運營經理袁章一邊演示，一邊說。點選鍵盤，即可進行拼寫輸入，如果想變成手寫，無需其他操作，直接在螢幕上寫字即可。點選工具欄上的麥克風圖示，就能進行語音輸入。

作者蘋果手機上的訊飛輸入法介面

「贊！」對於我這種很容易在不同輸入方式切換中迷路的小白使用者來說，「無縫切換」設計帶來的體驗超乎預期。體驗的基礎是使用者需求，「超出使用者預期才有可能形成傳播。」翟吉博說。

訊飛輸入法運營經理袁章「現在，你給訊飛輸入法打多少分？」我問道。「75 分。」翟吉博想了想說，「通用詞彙還行。但不夠個性化，不夠智慧，沒有真正與使用者融為一體。」坐擁龐大使用者群，離不開過去幾年裡智慧手機大盤的上揚。一份百度移動趨勢報告資料顯示，2012、2013 年國內智慧手機大盤增速高達 36% 和 14% 。但是，輸入法被裝進手機，僅是體驗之旅的開始。一款能夠立足市場的輸入法，仍需要遵循產品規律，即使它採用了先進的人工智慧技術。初入市場，首先要找到典型使用者，低成本做出試驗品，交由早期採用者使用。幸運的是， IBM ViaVoice 雖然失敗，但教育了早期市場、培養出一定規模的語音產品使用者。訊飛輸入法的種子使用者中，有不少人在電腦上體驗過 IBM 的語音技術。這些早期採用者願意率先嚐試創新事物，對初期產品的種種不足有較高忍耐力。「偏極客，是我們種子使用者典型特徵之一。」翟吉博說，「這與我們的預期很一致。」「早期輸入法廣泛吸收了種子使用者的意見。」李強軍回憶道，他是訊飛輸入法市場團隊負責人。輸入法成立伊始就成立了市場團隊，李強軍稍晚一點加入。

訊飛輸入法市場部總監李強軍，2016 年那場轟動的錘子釋出會專案負責人當時，使用者全天候、不停測試我們的系統，提出各種設想和改進意見。團隊晝夜駐紮在微博、論壇，力求第一時間給使用者反饋。李強軍說。「當時主要的反饋是什麼？」我後來問程坤。「語音效果，識別不準。」他解釋稱，雙拼也是根據使用者要求加上去的。找到並維繫高質量的種子使用者，對引爆一款新產品的作用不言而喻。大多數產品的種子使用者看起來「勢單力薄」，佔比很少，但在傳播、資料沉澱、產品迭代、建立社群等方面都存在不同的價值點。不過，種子使用者與早期使用者的產品需求存在「鴻溝（chasm）」，前者更具實驗性，後者注重實用。而能否跨越這條鴻溝，決定了產品能否進入主流市場。

翟吉博認為，「目前訊飛輸入法應該處於早期使用者向大眾使用者過渡的階段，接下來，使用者量還會持續攀升。」不過，距離跨越鴻溝，還有一段距離兩年後，語音識別率從最初的 60% 左右上升到 90% 左右。隨後，結合使用大資料訓練及深度學習，識別率提升進入新突破期——從 2013 年的 92% 快速跨越到 2014 年的 97%。輸入法的基礎指標就是「又準又快」，翟吉博說，因為它是一種人際溝通工具。雖然手寫和拼音只是輸入法的一個業務，由於 CNN 可以很好改善手寫識別率，提高使用者在移動裝置上的體驗，訊飛也推出了使用 CNN 的「鷹眼」手寫引擎，將手寫識別準確率提升了 30% 以上。連寫功能讓手寫抬筆等待時間最少短至0。15 秒。「很多功能和互動都是我們最先想出來的。」程坤說，「推出後，再引導使用者。」比如翻譯功能的迭代。那時候的翻譯功能的確複雜，使用者的使用需要完成複製、插入等 4 步以上的工序。當團隊從使用者調研中發現，不少人對翻譯功能互動方式的便捷性提出了要求，便迅速啟動了「隨聲譯」的研發，集合了語音識別、機器翻譯等關鍵技術，效果目標是「同聲傳譯」。在自動轉文字時，「隨聲譯」還能智慧標註標點符號。 2015 年「隨聲譯」釋出後，「遠超過使用者預期，口碑傳播為訊飛輸入法帶來不少新使用者。」翟吉博說。值得一提的還有離線語音識別功能。運營商剛推出 3G 網路服務時，套餐主打語音和流量，資費不菲，網路也不夠通暢，不得不說這些都極大阻礙了使用者對語音產品的使用頻率。發現這一痛點後，輸入法團隊請研究院設計離線語音識別方案，並迅速將方案落地到產品中。版本上線後，他們又開始考慮如何把離線、線上語音識別優勢結合起來，同時讓系統智慧識別。於是就有了現在這個離線語音版本：輸入法會自己識別離線、線上狀態，無縫切換。一份網上公開資料顯示，69% 的使用者對訊飛的離線識別功能感到滿意。除了「10 倍以上的使用者體驗」，分清需求的強弱也很重要。需求強弱，就是要考慮使用者需求的數量、頻次和重要性。方言，一直是語音識別的痛點之一，也是語音類產品在國內最需要突破的識別區之一。2011 年上線粵語方言輸入之前，團隊的使用者調查和資料分析發現，需求最高的方言排名分別為粵語、四川話和河南話。翟吉博說，人口大省通常也擁有大量的方言使用者。於是，訊飛決定先研發上線粵語（ 2011 ），緊接著上線四川和河南話。有時，判斷需求的強弱並不容易。輸入法上線初期，使用者反饋希望可以在輸入法中加入翻譯功能。貿然上線，萬一失敗了怎麼辦？最常見的情況莫過於，在沒有足夠清楚使用者需求的情況下定製過多功能。和最初發佈一個版本就推向所有使用者不同，訊飛做了灰度釋出，在小範圍內上線翻譯功能。所謂灰度釋出，是指抽出核心需求，在滿足使用者基本要求的情況下快速上線。透過限制流量、白名單等機制讓一部分使用者試用，收集使用者意見，甄別使用者潛在需求，制定更有針對性的設計方案。「正式上線後，我們發現使用人數和頻次都超出預期。」翟吉博說。輸入法花了一兩年時間建立起一個數據收集系統，透過自己的大資料系統和使用者反饋這兩個方面來評價版本迭代升級是否成功。「有了這樣一些底層技術工作，我們對於問題的分析迭代效率是有了非常明顯的提升。」翟吉博說。比如，輸入法的基礎體驗（卡頓、閃退）往往直接導致使用者流失。灰度釋出系統會對發生崩潰、卡頓的時候，做一個採點和記錄。現在，重點需要最佳化的崩潰問題從原來接近 0。3% 下降到 1‰ 以下。

灰度釋出系統

採訪過程中，翟吉博雙手不時擺弄著胸牌，部門一欄仍然寫著「研究院」。研究院位於大樓四層，輸入法樓下，也是最核心研發部門。「人工智慧研究院和輸入法部門的一些負責人會定期碰頭，互通有無。」翟吉博說。「研究院的同事告訴我們最近有些新的研究，輸入法可能用得上。我們也會反饋一些產品體驗方面的問題，看技術上能不能解決。」雖然大多數時候，輸入法團隊根據自己發現的問題，向研究院要解決方案。有時研究院也會建議輸入法嘗試一些新的研究成果。比如 VAD（Voice Activity Detection）。「2010 年，研究院有了這個技術就推薦給我們。我們用在了輸入法上。」程坤說。智慧 VAD 檢測技術可以分析使用者說話的起點、尾點，同時計算出聲音強度，只傳輸有效資料，節約流量，幫助實現良好的語音識別效能。「現在，這塊兒已經是行業標配了。」站在變革的潮頭

一個公司的基因早在它最初的 18 個月就被決定了。此後公司不可能再有什麼大的改變。——Michael Moritz

「輸入法有兩次比較大的變革。」翟吉博說，「第一次是從單機的輸入法到網際網路輸入法。第二次是從網際網路輸入法到人工智慧的輸入法。」如果說訊飛的語音基因決定了它在第一次變革中先「聲」奪人，那麼在人工智慧時代，訊飛的另一個「基因」——「平臺式嵌入」戰略促使輸入法走上一條不同於競爭對手的路。開啟輸入法，我們會立刻發現介面設計上的關鍵不同。一把放大鏡圖示，被置於搜狗、百度輸入法工具欄的醒目位置。訊飛輸入法工具欄（以及其他位置）卻不見這樣的搜尋功能。位於訊飛輸入法工具欄正當中的，是一支麥克風圖示。

作者蘋果手機的百度輸入法介面

在搜狗輸入法中，輸入「麥當勞」，輸入欄下方會立刻顯示麥當勞餐廳資訊。如果選擇螢幕底端新聞圖示，就會出現麥當勞相關新聞。開啟「智慧分享」後，輸入「週末去看電影」，系統會自動匯出附近影院資訊。

作者在蘋果手機的微信中，使用搜狗輸入法的服務功能

人工智慧時代輸入法會從工具走向服務，搜狗輸入法認為。除了滿足文字輸入需求，還需要增加日常搜尋等多種服務，提升使用者黏性。如果說第一次變革當中，資料、使用者和技術形成一個快速迭代的閉環，那麼人工智慧時期，還需形成另一個閉環：打通語音互動與服務，形成語音到服務的閉環。這正是搜狗和百度最擅長的地方。然而，翟吉博並不認同這一模式。「從使用者使用層面來說，輸入法中加搜尋不是使用者習慣的路徑。」他說，「在輸入法中加入搜尋功能不是未來的趨勢，搜狗有自己商業上的訴求。」事實上，透過輸入法內嵌的搜尋功能直接進行的搜尋量，確實佔據了搜狗手機搜尋流量的相當一部分份額。採訪中，翟吉博很少用「入口」定義輸入法產品的價值。訊飛輸入法接下來會怎麼做？我心存好奇。目前，訊飛輸入法日語音使用者佔比為 12%，其他輸入法可能不會超過這個數字。很明顯，使用者在很多時候不需要呼叫語音輸入。即使呼叫這項服務，也多半為了追求速度。一份釋出於 2014 年的第三方輸入法調查報告顯示，最常見的語音輸入法場景中，前三位分別是：「微信、QQ 聊天」、「多人聊天時來不及打字」，以及「輸入內容太多」。「打字不方便」僅位居第四。但是，語音輸入的本質（或者說顛覆性）或許正在於解放雙手。在搜狗語音互動技術中心總經理王硯峰看來，「不適合用觸控或鍵盤式互動的環境，」語音識別技術才更有價值。智慧手機需要手持、離不開觸屏（未來屬於全面屏）等因素，決定了手機輸入法仍然以觸控（視覺）為主，語音輸入（聽覺）為輔，儘管這是一個技術含量很高、只有大公司才做得了的輔助。只有在萬物互聯、所有電子裝置及終端沒有螢幕的場景下，語音識別才迎來自己的時代。「未來互動將會更多地以感官方式進行。」谷歌 CEO Pichai 曾說。 2015年，訊飛推出 AIUI，為使用者提供物聯網底層語音技術服務，要做物聯網時代的「作業系統」。在這一平臺戰略背景下，訊飛輸入法更像是一家「技術體驗店」和「金字招牌」。目前輸入法正作為試點，針對一些註冊使用者灰度體現個性化語音輸入功能。訊飛現有技術已經可以幫助使用者建立自己的個性化聲學模型。「對於 2% 的識別率問題，我們會透過個性化語音輸入解決。」翟吉博說。這也是訊飛輸入法接下來的發力點。「我們正在做一些嘗試。個性化語音輸入推出後，個性化語音使用者的語音識別率能達到 99%。」不過，在很多行業人士看來，技術成為拉開與其他公司差距的絕對壁壘，越來越成為一件小機率事件，更大變數應該是技術轉化成產品和商業模式的優勢。事實上，在通用識別率上，包括科大訊飛、雲知聲、思必馳的幾家語音類公司，在公佈的識別率上沒有明顯差別。

加入思必馳的語音行業專家初敏在接受機器之能（almosthuman2017）採訪時曾分析稱，「在自己著重突破的方向上，BAT 跟訊飛不相上下」，另一方面，隨著十年前的技術正逐漸被淘汰，留下最新技術，如今訊飛的先發優勢主要集中在資料收集上，「維度更寬，覆蓋面也更廣」。或許還可以再看看喬布斯的想法：後 PC 時代，真正的創意和簡潔來自產品的一體化——硬軟體以及內容，而不是讓這些部分各自為政。這或許也是 Echo 作為一個新品類全新智慧硬體品類迅速站穩腳跟的原因之一。

三年多來，Echo 的應用場景爆炸性增長。從同步語音資料、播放音樂發展到幾十種智慧家居裝置控制，再到語音購物、支付、叫外賣等場景應用，語音購物品種已經擴大到百萬種，還可以語音切換賬戶、追蹤商品物流情況。即使是手機端語音控制的 Siri 也正在打通服務。不少業內人士認為，這種模式非常重要，也有可能獲得成功。然而，輸入法產品的商業化還不在訊飛計劃表上。科大訊飛副總裁江濤在接受媒體專訪時曾表示，「（輸入法）短期內不會有直接可變現的商業模式。」不過，不同基因的訊飛已經成為輸入法行業最重要的玩家之一，與搜狗、百度輸入法一起領跑國內市場份額。從四人搭檔到如今 100 多人，覆蓋了研發、開發到後端等完整職能分工，70% 以上是研發。從他們所在的 7 樓向外望去，兩座新建大樓拔地而起，其他建築也在陸續建設中。「2011 年剛搬到這裡時，還不是現在這個樣子，有點荒涼。」袁章告訴我。現在，寫有「中國聲谷」的大樓已成地標性建築。