我们的理解是：未来硬件会是一个瘦终端，对硬件本身的要求会很低，而真正的能力都在云端。比如一个小盒子，也许只需要两个麦克风、一个小喇叭、一个WiFi模块外加一个外壳就行，在深圳这样的设备也许成本只需30元就搞定了，但是它所具备的能力却相当大。有的App也许不需要App的外壳，把内容和服务抽取出来，比如滴滴可以没有App只有服务，有人做了一个硬件的壳，加上2G网络，对着设备叫车，然后车就来了，这个硬件就是App。内容可以有多个不同的外壳，但内容无处不在。

钛坦白群友互动 1.智能音箱提示音问题的探讨

群友A：有个知名媒体人最近发了篇文章，吐槽智能音箱每句命令前都需要大喊一句命令，比如“叮咚叮咚”“小微小微”，这样的交互比较不自然。

群友B：这个“命令”的字段可以修改吧？

毛华：是的，这里的自然顺畅与实际应用场景有关系。

群友A：就算修改，也是要一个命令。

群友B：最好是日常用语，这种“叮叮当当”比较奇怪，出厂预设几个供用户选择。

毛华：唤醒词就像人的名字，语音互动就像是两个人交流，但如果在场的有三个人，都闭上眼睛说话，谁都不知道跟谁在说话，所以需要具体用名字来指向，唤醒词就是这个名字，你在说话前先喊一下这个人的名字，对方才知道是在跟他说话，不过有些是有上下文关系，可以省略部分场景下的唤醒词。

2.智能音箱误唤醒的技术调整

群友A：音箱的声音特别大的时候，你召唤它，它听不见你跟它说话会不理你，这个时候要把音箱的声音调小，它才能识别人的语言。

毛华：唤醒和误唤醒是对Array的考验，我试过一个7mic的Array，做得很不错，12米带噪音环境下使用效果不错，不过未量产，希望这样有能力的公司以后能为语音能力做出更多贡献。

群友B：7mic听起来有点多，看来未来也需要硬件的整合能力啊。

毛华：我本人认为，在中国音箱产品未必是最好的形态，中国对音箱的需求不一样，中国人对蓝牙音箱和耳机的需求很大。

群友A：现在语音主要实现功能强大，未来实现语音性能多样化，直播，比如HIFI音质，这样会越来越淡化硬件，因为在后台或云端就都被语音整合好了。

群友C：但是目前经过印证的智能家居中，音箱被公认是比较容易做的起来的，所以亚马逊、谷歌、苹果都在发力。

毛华：中国与美国不一样，美国是大house，中国是公寓，对于音乐的理解也不一样。

群友A：亚马逊语音也是一个偶然的产物吧。

毛华：我的理解就是一个偶然产物。

群友D：同意您的观点，音箱不是最好的场景。家庭智能解决的是连接，语音非关键。

3.智能音箱如何识别用户身份？

群友A：如果小孩子唤醒了小微，下了一个订单或者叫了一辆车，实际上并不需要，这个场景怎么避免？

毛华：这个跟小孩拿了手机买游戏币是一样的问题，不过我们可以有声纹，声纹用于身份验证。

群友A：如果我希望小孩正常使用，比如听歌什么的，是不是还要设置不同的权限，比如家长模式？

毛华：我们有歌单，歌单通过QQ或微信帐号绑定，同时绑定声纹。这样每个人都可以听到自己的歌单，出来的内容是自己QQ音乐里的，并且可以通过声纹进行认证。

4.语音交互质量的评判标准

群友A：关于语音交互质量，腾讯有没有评判标准？

毛华：这里特别要提只有少量内容的才可以做到各种识别能力的提升，交互质量在于返回的内容是否符合用户的预期，我们有自动化测试。

群友A：怎样的标准呢？对或者错？怎么算对？

毛华：对错的评判有的有标准答案，有的没有，没有的情况下会进行人肉判断，请几路专家打分。

群友A：语义理解有很高的技术门槛，听见了不等于听懂了，还存在同音词问题。

毛华：这跟语境有关，上下文和语境是AI的一个关键点，语音识别率的提升只是时间问题，随着麦克风阵列和算法的提升，识别能力必然可以提升，相信明年就会不一样。

群友B：语义理解我们提了四个标准：1.差异性，“你干嘛”和“你干嘛的”要能分开；2.同一性，“你公司在哪里”“贵司在什么地方”要能理解语义相似性；3.模糊性，“小明的生日是哪天”要能正确理解；4.一致性，就是前后说话要一致。