举一个例子，语音唤醒，国内总喜欢标榜超过了Alexa，然而，如果真拿指标这件事情说事，国内的产品虚警率飘高，莫名其妙的就误唤醒，这蛮讨厌，突然间一个音箱说话回应你一个莫须有的问题，这种事情偶尔发生也是受不了的。至于工艺设计方面，每个人都有一个审美标准，很难评判Echo和Home为何看着舒服，但是至少要比垃圾桶的音箱造型好看一些。

　　精心打磨一个生态链产品，除了需要考虑多方面的细节，j2直播，还需要集中自家的优势资源。比如说语音交互， 国外巨头不断收购相关公司壮大实力，而国内公司总是喜欢自家组建小团队搞定一切，试问精力如此分散如何才能超过国外的巨头？何况语音交互压根也不是搞搞深度学习就能解决的，这本身就需要对声学和智能都有深刻的理解和长期的积累才能做好。

　　|语音交互的现场感和即时性是关键因素，但是目前还是欠点火候

　　语音交互毋庸置疑是继键盘、鼠标和触摸屏之后的主流交互方式，但是距离真正走入千家万户还总是差那么一点。

　　这里面有很多因素，比如说厂商总觉得语音交互根本没有智能，事实确实也是如此。世界上还没有任何一家公司能让语音交互做到不傻，语音智能的水平仍旧停留在关键词的内容识别和上下文分析，所谓的语法和语感学术界都还没有清晰的思路。这需要长久的研究突破，不仅限于当前火热的机器学习和大数据，更需要考虑物理世界的概念和模型，最起码也要明白婴儿学习语言的过程。从这个思路来看，j2直播，现在的人工智能距离实现真正的智能语音交互还差着十万八千里。

　　很多时候我们给予大数据和深度学习过高的赞誉，反而让众多的研究人员犯了懒，这个世界从来不是搞搞数据就能明白的，对物理世界的探索，对人类哲理的思考，才是推动社会进步的力量。

　　上述或许只是个共性，Amazon Echo其实也面临同样的困境，甚至还有很多人批评Echo的语音合成也不够好，因为人类总希望自己的话语能得到类似的回应。不能说Amazon不重视这个问题，事实上Amazon强化了另一层面，不是语音合成的自然程度，而是语音回答的反应速度。语音合成当前确实很难做到如同人类一样自然，但是距离这个目标也不太遥远。上个月Google发布WaveNet引起语音合成领域的震动，这是一个新的思路。在此之前，语音合成已经很长时间没有任何实质性的进步，无非就是参数化和拼接式两种方法。这几种方法笔者在《如何评价谷歌的语音合成WaveNet和微软的语音识别“里程碑”？》做了对比分析，不过，事实上这不是现阶段用户关心的重点。

　　事实证明，Amazon Echo的押注选择是正确的，用户更为关心的是人机对话的现场感，从指标上来分析，其中一个重要参数就是 机器的响应速度，Echo刚开始是5秒，后来压到1.5秒，再后来就是1秒以内，注意这是平均响应时间，而不是国内的峰值指标。

　　人机对话的现场感挺有意思，有时候也会说成沉浸感，这从人类语言对话的发展历程可以窥得一斑。我们知道，语言交流是人类交互最主要的方式，是人类交换信息、学习知识最主要的途径，但是由于语言太过时效性，记载功能太差，与之伴随逐渐就形成了文字。由于语言的时效性，所以语言交流往往是面对面即时完成的 。当然，现在人类拥有了电话，但是即便有了电话之后，语言交流仍然保持着即时性。也就是说， 电话其实就是人类语言交流的距离拓展，但是没有改变语言交流的即时属性，所以电信和互联网的发达本质上来说仍然是在享有这种红利。

　　当然了，电信和互联网的技术还很难做到人类语言交流的水平，很多时候破坏了这种即时性。技术上常常称为单工或者双工模式，单工的时候对话者的语言是“互斥”的，不会出现声音的重叠和打断。显然，以Siri和Echo为主的人机语音交互，就是这种 单工模式。单工模式无法提供面对面交流时的畅快感和现场感，也就缺少一部分“对话”的体验。双工模式实际上是希望改变这一点，但是目前来看与人类还是有不少差距的，这些都是需要技术去克服的难点。