乾明 发自 凹非寺
量子位 报道 | 公众号 QbitAI
没错，阿里并非先发的语音AI，现在中国市场份额第一。
7月14日（周二），IDC发布《中国AI云服务市场半年度研究报告》显示，阿里语音AI以44%的市场份额，超过百度云、腾讯云、华为云、AWS、微软Azure等云服务厂商，成为第一。
从IDC报告的具体内容来看，阿里语音AI这个No.1，得益于其在智能语音、对话式AI、机器学习三大领域的实力：
智能语音领域产品数量、市场份额、API调用量三项第一；对话式AI领域市场份额、API调用量两项第一；机器学习领域获得市场份额第一。
这还只是现状。
IDC还预测，2020年中国人工智能市场规模将会接近20亿美元，巨大的市场规模，作为市场领导者，阿里将会有更多的表现空间。
然而，对于这样的一份成绩单，阿里巴巴达摩院语音实验室负责人鄢志杰，并不“感冒”。
在他看来，IDC报告中的数字并不重要，更值得关注的是背后的趋势：语音AI技术的商业价值，已经在市场上得到了初步体现。
他说，阿里巴巴之所以有这样的成绩，不仅仅有过去5、6年时间的技术积累为基础，还在于AI上云的过程中，找到了“落地”秘诀。
中国No.1的语音AI，如何后发先至？
相比90时代就搞语音的玩家，阿里的语音AI之路，不算早。
阿里开始大力度、严肃地研发语音AI技术，起于2014年底，标志性事件是“神秘部门”iDST（数据科学与技术研究院）成立。
在此之前，相关的研究只是零散地分布在各个业务线之中。
2015年，鄢志杰在微软亚洲研究院工作7年后，加入阿里iDST，负责语音技术的研发工作。
当时，语音AI技术主要用于阿里内部业务，比如淘宝、天猫的等电商体系客服中心的需求。
因为之前没有研究积累，鄢志杰需要带队从0到1，为阿里打造一个能用、好用的语音AI系统。
虽然困难，但也好在没有“历史包袱”，他可以放开手去做。
在阿里丰富的应用场景下，阿里语音AI的后发优势显现出来。
比如2016年开始备受关注的latency-controlled BLSTM（LC-BLSTM） 模型，从学界到阿里率先实现落地，只用了几个月的时间。
而且不仅仅只有单纯的落地，还有面向应用的优化。
在阿里版本的LC-BLSTM模型中，不仅降低了传统BLSTM模型延迟严重的问题，精度同样不差。
相关论文也得到了学术界的认可，在2017年经过同行评审，发表在了IEEE旗下ICASSP（声学语音和信号处理国际会议）上。
之后，阿里语音AI进一步发展，不断涌现出新的研究成果，被ICASSP、DSP等语音领域国际顶尖会议收录。
2019年2月28日，MIT将阿里巴巴语音AI技术评为2019年“全球十大突破性技术”。
MIT认为，阿里巴巴已拥有比谷歌更好的AI语音技术，可以完成复杂的人类对话功能，甚至可读懂人类的潜在意图。
阿里巴巴也是唯一上榜的中国科技公司，其他的突破技术分别是“肠道显微胶囊”、“定制癌症疫苗”、“人造肉汉堡”、“可穿戴心电仪”、“无下水道卫生间”等等。
突破仍在继续。2019年7月，阿里发布新一代语音合成技术KAN-TTS，首次将该数字提高到97%以上。
阿里达摩院介绍，KAN-TTS已经实现主流场景风格声音的全覆盖，可针对通用场景、客服场景、童声场景、英文场景和方言场景，提供41种高品质的声音，例如温柔、甜蜜、严厉等风格。
而且还具备多方言、重口音语音识别，全双工语音交互，智能语音流式响应等技术能力。
鄢志杰说，它已经能够实现拟人程度更高的交互效果，整个过程几乎听不出是AI在跟人交互。
想要推动技术落地，技术强是根本，但找到商业价值和模式更加重要。
在鄢志杰看来，这是阿里语音AI技术发展到现在最难的一个点，也是其能够得到市场认可的关键。
自学习，阿里语音AI的落地秘诀
2017年初，阿里开始推动AI技术上云对外输出，语音AI作为阿里内部广泛应用且成熟的技术，成为“先锋”。
语音AI上云后，阿里对外输出的第一个项目，是为浙江高院提供庭审速记能力。
拿下行业头部用户，是推动AI技术落地时最常用的一种手段。
其不仅能够产生“标杆效应”，吸引更多的人采用技术，而且还能在这个过程中，快速汲取行业Know—How，来完善技术方案，更好地复制到其他相似场景中。
目前，阿里智能庭审语音识别覆盖超过全国20个省的8000间线下法院，覆盖率近50%。互联网庭审覆盖15000余间线上法庭，覆盖率超过90%。
IDC报告也给出了分析称，通过前期的行业布局，阿里云在法院、呼叫中心、电信运营商领域的客户认知度也处于第一位，领先其它云服务厂商。
不过，这样的AI落地模式也存在弊端——依赖项目推进，不仅需要大量的人力资源，效率并不高。
如何找到一种更高效的落地方式，是整个行业都面临的挑战。
同样是在2017年，阿里语音AI团队在与客户共创的时候受到启发，基于“定制AI”打造出了语音自学习平台，面向没有技术研发实力的客户提供语音原子能力、行业模型等服务。
鄢志杰将其形容为“傻瓜相机”式的产品。
阿里提供针对声学模型和语言学模型的定制训练流程，用户在安全环境中灌注行业数据，可以在完全不了解语音语言算法的情况下，快速、便捷地定制自己的语音模型。
在落地过程中，也展现出了效力。比如疫情期间，湖北的智能疫情机器人使用阿里语音AI自学习平台，湖北口音语音识别率从62.5%提升至94.4%。
IDC在报告中总结称，语音语义领域，用户重视的是服务，能不能满足客户的个性化需求十分重要。
阿里语音AI能够实现大面积落地，在法院、呼叫中心、电信运营商领域的客户认知度处于第一位，拥有教育、金融、互联网、交通、餐饮、通信、医疗等各行各业5万家客户，秘诀正在于此。
现在，鄢志杰正在致力于将语音AI技术拓展到更多的场景中，供给无处不在的智能语音。
在他看来，整个语音AI的价值才刚刚开始呈现，市场还处于早期发展阶段，未来将会有更大的发挥空间和价值。
比如，如果在强噪音、多人交互的情况下，实现更高准确率的识别，比如语音和NLP技术的结合，实现语音翻译、语音摘要技术等等。
而且随着新基建机遇到来，语音AI与云结合，还会有更大的前景。
被集成，阿里的“基建式”打法
2020年4月20日，阿里云宣布未来3年规划：再投2000亿，用于云操作系统、服务器、芯片、网络等重大核心技术研发攻坚和面向未来的数据中心建设。
阿里到底如何做？具体做什么？想要达到什么样的效果？阿里语音AI无疑给出了直观体现。
一方面基于阿里达摩院，从未来商业价值出发，提升技术层面上的能力，进行前瞻性研发布局。
另一方面在于阿里云平台的能力建设，供应更强的算力，为技术对外输出提供坚实支撑。
再往底层芯片上面，平头哥也在积极布局，前不久已经实现含光800商用，通过阿里云对外输出。
……
一系列动作背后，也不难发现阿里的目标所向——打造基础设施，供应给有需求的客户，甘愿被集成，帮助他们来打造成落地的应用，服务更多人。
鄢志杰说，阿里内部有一个口号是“达摩院技术零时差上云”。阿里语音AI技术，就是其交出的答卷之一。
1999年，阿里巴巴在杭州成立之时，定下了公司的使命：让天下没有难做的生意。
这也成为了阿里孵化出淘宝、支付宝、天猫、菜鸟等等一系列产品的出发点，打造出了辐射数亿人的阿里经济体。
现在，经济发展的驱动力逐步发生改变，AI、大数据为核心的新兴技术，在“生意”中变得越来越关键。
阿里巴巴，同样正在用自己的行动践行使命：让天下没有难得到的技术。
