投餵4萬種噪聲，20種語言方言實時轉錄，搜狗「開掛」錄音筆這樣煉成
杜佳豪發表於2020-02-28
在 AI 的加持下，錄音筆彷彿有了開掛的「人生」： 最高支援 10 米遠距離拾音，可過濾 4 萬餘種真實噪音；可根據使用者語言習慣個性化轉寫，語音轉寫準確率達 98%；還能區分不同人聲，做重點標記，自動提煉摘要。它還能充當你的翻譯官，支援 63 種語言的對話翻譯，以及同聲傳譯。你可以用它做會議錄音、聽課記錄、採訪，也可以用它與不同國家的遊客交流，甚至可以拿著它刷美劇。沒錯，這正是搜狗新推出的新款 AI 錄音筆 S1。它的背後，不單單是一款硬體，更是搜狗 AI 能力的集合。
搜狗公司 CEO 王小川道出了他們做 AI 硬體的目的，「隨著 AI 技術的進步，我們希望使用者能更自由的表達，用你的聲音、表情或肢體來表達，機器就可以理解，這些我們能做到的時候，就算達到了一個技術高度。」從搜狗輸入法到語音互動、機器翻譯，再到 AI 硬體，這背後有著深刻的搜狗 AI 發展邏輯。早在 2016 年，當時搜狗沒有做 AI 硬體，而是做了語音開放平臺「知音引擎」，嘗試技術輸出。但當時各路語音平臺紛紛湧現，方案上沒有誰真正不可替代，客戶往往在多家間來回切換。另一方面，通用技術平臺體驗並不理想，加上 AI 行業處於早期，軟體免費的思路還停留在很多人心中。因此從 2017 年下半年開始，搜狗開啟 AI 硬體的探索，沉澱技術，打磨硬體與場景。2018 年上半年，搜狗推出探索之作——AI 翻譯機和 AI 錄音筆。如今 AI 硬體，已和輸入法、搜尋一樣，是搜狗的幾大重要戰略之一。接著 2019 年 3 月，搜狗又推出一款小巧的 AI 錄音筆 C1，它具備了最新產品的雛形，支援語音轉寫、雲端分享、中英同傳等多種 AI 功能。更重要的是，C1 的出現讓略顯疲態的錄音筆行業鮮活了起來。經過使用者一段時間的使用，搜狗對使用者行為資料深入分析後，第一次呈現了使用者的真實畫像。搜狗發現，使用錄音筆的第一大場景並非大家預想的媒體採訪，而是企業內部的商務場景，比如會議記錄，佔比高達 44%；其次是學習培訓佔比 24%，媒體採訪佔比 21%，這三大場景佔總使用場景的近九成。正是基於對三大場景的思考，在 C1 的基礎上，搜狗推出全新的 S1 和 E1 兩款 AI 錄音筆，還與故宮宮廷文化合作推出兩款聯名產品。對比這兩代產品，搜狗 CTO 楊洪濤解釋，C1 系列解決的是隨身便攜的錄音需求，可以像領件一樣夾在衣領上，它的使用空間相對近場，一般不要超過 3 米。而最新發布的 S1 和 E1 產品，主要解決複雜場景的錄音需求，能在多人會議、課堂聽講、嘈雜背景採訪中使用，可將使用範圍擴大到 5~10 米。為了滿足更為複雜專業的需求，搜狗在遠距離拾音、降噪上投入頗多。AI 錄音筆 S1 搭配 2 顆哈曼指向性麥克風和 6 顆全向麥克風，在麥克風陣列演算法的加持下，可有效過濾噪音，實現最高 10 米遠距離拾音。更重要的是，它還採用 AI 降噪，能夠過濾 4 萬餘種真實噪音，讓人聲收錄更清晰。搜狗 AI 互動技術部總經理陳偉解釋道，在硬體降噪基礎上，搜狗首次將基於深度學習的降噪能力完全產品化。「我們使用了 4 萬多種噪聲，讓模型學習到人聲與噪聲的區別，從而達到超出麥克風陣列以及行業其他降噪方案的更好降噪效果。」在現場的測試環節，AI 錄音筆 S1 面對鍵盤敲打、吹風機等的考驗下，依然能夠過濾噪音，提取清晰的人聲。可以看出，在硬體之路上摸爬滾打近 3 年後，搜狗對於 AI 硬體的理解也更為深刻。只有面向使用者體驗，深入場景打磨技術，將技術、硬體、場景融合才能構建 AI 的競爭力。搜狗內部有一句話叫，只做技術是不夠的，技術要轉化為服務能力。因為沒有面向場景的深度最佳化，技術往往是一種雞肋。
圍繞多人會議、學習培訓、媒體採訪等核心場景，搜狗 AI 錄音筆 S1 除了做到「超強拾音」外，還具備「準確轉寫」、「高效整理」、「全能翻譯」的能力，也呈現出搜狗將技術轉化為服務能力的思考。如果放在一個工作流中，錄完音後，如何準確快速地語音轉寫至關重要。如果交給人來做是個繁重的體力活，而語音轉寫軟體多不準確。搜狗稱，AI 錄音筆 S1 及 E1 目前已能達到 98% 的轉寫準確率。這一數字背後搜狗做了大量的最佳化工作。首先，搜狗輸入法每天 8.3 億次的語音請求，為聽寫服務提供了絕佳的「練兵場」，結合遠場語音資料和真實場景的最佳化，已能將準確率達到不錯的效果。在此基礎上，搜狗又打通使用者輸入法賬號，根據使用者的語言習慣，進行個性化轉寫。此外，搜狗語音團隊還專門圍繞財經貿易、醫療衛生、IT 科技、政法、文化體育等 5 個領域，構建專用語言模型，進一步提升行業詞彙的識別，做到了 98% 的準確率。S1 及 E1 這兩款產品也十分高效，均可做到錄音 1 小時，出稿 5 分鐘，並且支援 10 種語言和 10 種方言的錄音與轉寫。接下來是高效整理。結合使用場景，搜狗做了一些非常實用的功能點，讓人印象深刻的是「敲重點」和智慧摘要技術。當你在聽課或者參加會議時，突然聽到一句神來之筆或者金句，「敲重點」就派上用場了。S1 有一個專用「M」鍵，按一下，它就會將這句話標記為重點。面對一篇萬字長文，如何能快速獲取其關鍵資訊。正是出於這種考慮，搜狗推出智慧摘要功能，但其效果如何呢？陳偉坦言，在 AI 錄音筆中提取摘要，遠大於學術研究中的摘要生成問題，因為錄音筆是在噪聲環境下，語音識別難以保證 100% 的準確率，從噪音文字中整理出符合文章語意的摘要是相當困難的。因此在技術路線上，搜狗沒有使用生成模型，而是採用抽取式的摘要能力，基於原文找到關鍵詞，再透過排序演算法，從文章中抽取關鍵句，形成摘要，保證足夠的精度。此外，AI 錄音筆 S1 還能支援 5 人內的人聲分離，從而在文稿中自動分段呈現。考慮到掌聲、笑聲、點贊等節點可能會出現一些重點或金句，它還會自動識別並重點標記。除了錄音筆所需要的服務外，搜狗還將 AI 翻譯能力內嵌其中。目前搜狗 AI 錄音筆 S1 支援 63 個語種的線上翻譯，9 種離線翻譯。在對話過程中，S1 還具備自由對話功能，能夠自動識別說話人是否講完，進而呈現翻譯結果，無需手動操作。此外，它還具備同聲傳譯功能，你可以帶著它聽英文演講、報告，螢幕上就會同步翻譯中文字幕。種種服務背後，正如搜狗 CTO 楊洪濤所言，AI 錄音筆是為了讓人們更自由的表達，而這背後所用到的技術，相當多是對搜狗原有技術體系的複用，並針對硬體做更好的 AI 最佳化。與搜狗 AI 錄音筆迭代一同上演的是，錄音筆行業的洗牌與變革。錄音筆是一個相對狹小的傳統市場，過去 20 年間沒有太多變化，隨著智慧手機整合功能的持續豐富，它面臨被手機替代的風險。因此我國錄音筆每年銷量在 400 多萬臺徘徊，增長基本停滯，市場多被索尼、愛國者、紐曼等硬體廠商佔據。隨著搜狗 AI 錄音筆 C1 推出，市場格局開始出現變化。2019 年 6 月，它便成為京東錄音筆類目單品銷量冠軍、天貓錄音筆類目單品銷售額冠軍，隨後 11 月又拿下天貓京東雙平臺單品總銷量冠軍。更為重要的是，AI 錄音筆的出現，在主流電商平臺上，讓原本趨於平緩甚至下滑的錄音筆品類訪客資料明顯上升，既有的市場天花板正在被打破，行業呈現「新藍海」。到 2020 年一季度，AI 錄音筆的銷量已佔據整個錄音筆市場的 35%，行業變革正在上演。與此同時，行業逐漸意識到 AI 優質服務的重要性，不少公司主動找到搜狗，甚至包括一些硬體上的競爭對手，詢問能否購買搜狗的 AI 能力。對於搜狗而言，儘管在硬體上取得一定成績，但很難一家獨大。因為在 C 端硬體市場，即使是最大的玩家，也很難佔據 50% 以上的市場份額。但軟體不同，後者可以發揮網路效應，一家獨大。內外部因素碰撞下，搜狗決定再往前邁一步，開放 AI 錄音筆背後的聽寫服務。去年 8 月，搜狗聯合愛國者、紐曼、索尼錄音筆、萬城集團等錄音筆行業頭部企業，成立 AI 創新聯盟，將搜狗 AI 能力開放給業界。傳統錄音筆以硬體為主的商業模式也正在被打破，「硬體+服務」的新型收益模式正在形成。搜狗 CTO 楊洪濤稱，「過去傳統硬體主要是賣毛利，未來我們希望探索一種服務化模式，透過 AI 能力向使用者提供更多增值服務，擴充套件傳統商業模式的空間。」在 AI 錄音筆身上，我們看到兩條不斷交織的線，一條是搜狗 AI 的演進線，在「自然互動+知識計算」的指引下，從最初的語音識別發展到機器翻譯、搜狗分身，再到如今的多模態互動。另一條是 AI 硬體變革線，將 AI 能力不斷注入硬體中，升級一個行業，而錄音筆只是第一個。 
