Amazon Echo 智能音箱

一台会听人说话的圆柱体

Amazon Echo 是一台兼作语音助手的音箱。上市当天它被描述为一个高约 9 英寸的圆柱体，既是人工智能助手，也是高端音箱^[2]。它始终处于开机状态，用户叫一声「Alexa」，它就会回应^[2]。整个产品的核心就是这一个设计决定：一台待在房间里、一直在等自己名字的设备。

由来

Echo 于 2014 年 11 月 6 日由一个规模不大的跨学科团队推出^[1]。这个团队的目标是用人工智能让日常事务更方便^[1]。其中一个公开承认的灵感来源是《星际迷航》（Star Trek）里的那台计算机^[1]：不用键盘、不用屏幕，直接对它说话就行。

发售方式在当时并不常见：只接受邀请购买，非 Prime 会员售价 199 美元，Prime 会员 99 美元^[2]。

起步时要解决的四件事

Amazon Science 列出设备上市时必须具备的四项基础人工智能任务：唤醒词检测（wake word detection）、自动语音识别（automatic speech recognition）、自然语言理解（natural-language understanding）和文本转语音合成（text-to-speech synthesis）^[1]。用平实的话说，系统要先察觉有人说出了触发词；把随后的话音转成文字；判断这个人到底想要什么；再用合成语音答回去。这是四个彼此独立的研究问题，任何一个环节出错，整次交互就失败。

这些计算并不都发生在圆柱体内部。按照亚马逊发售页面的说法，Echo 的大脑运行在云端的 Amazon Web Services 上，因此系统能够持续学习，并适应说话习惯、词汇量和个人偏好^[2]。把大模型放在数据中心而不是塞进一只小音箱，好处是设备出货之后还能不断变化：房间里的硬件不变，它背后的软件可以变。

后来改善了什么

Amazon Science 给出了此后五年的变化：唤醒词和语音识别的错误率下降到原来的四分之一，自然语言理解的错误率下降到三分之一^[1]。这两个数字对应的是处理流程的两个不同环节——把话听准，和把意思听懂。四倍与三倍的下降意味着，同一台设备、同样的麦克风，在两件事上的可靠性都明显提高了。

返回给用户的声音也在变好。在 MUSHRA 听感测试中——一种让人对音频样本打分、在语音研究里常用的评测方法——Alexa 的语音与真人语音之间的自然度差距缩小了 80%^[1]。差距越小，合成语音听起来就越难和真人录音区分开。

在发展中的位置

Echo 把一批原本多在实验室和手机里演示的研究问题，搬进了一件摆在家里的物件。它最终定型的那套组合——常开的麦克风、云端后端、一个唤醒词，再加上语音识别、语言理解、语音合成串成的流水线——成了消费级语音助手的标准形态。后来亚马逊在回顾这项助手的工作时，用的名字就是 Alexa，也就是用户唤醒设备时说的那个词^[1]。

它的局限也应当直说。一台始终开机、并把音频送往云端服务的设备，会带来隐私上的疑问，也会带来断网时怎么办的问题。此外，它依赖的这四项任务本质上都是统计式的：它们降低错误，但不会消灭错误，前面的错误率数字之所以写成「下降了多少」，而不是「已经解决」，原因就在这里。