從 "錘子 OS" 談智能語音服務

上篇文章中跟各位分享了一些 Google Now 的相關技術，不知道大家看得懂嗎？如果看不懂或懶得看 (的確是扯太多了) 都無所謂，因為最重要的是使用者的感受，撇開那些技術問題，你到底覺得這些智能技術好不好用？

我在 Twitter 上認識了幾位很優秀的香港網友，其中一位比我早一天開始測試 Google Now，然後又比我晚一天放棄 (真有耐心，小弟甘拜下風)，我看到他的吐槽也半開玩笑地回了幾句：

他：這回 Google Now 就在我回公司後叫我回家休息，真他媽體貼。 

我：給它點時間慢慢學嘛  XDXD

他：我的電池沒那麼多時間 Orz

很有意思對吧？讓我們再看另一個例子：

這是我某天心血來潮時做的測試，坦白說我並沒有刁難 Siri，問家人的生日並不奇怪吧？如果沒有記載在手機裡，"理論上" Siri 應該能直接幫我加入，因為內建的 "聯絡資訊" App 裡的確有 "生日" 這一欄。可是呢，首先我在講日期時 "結巴" 了一下，然後 Siri 就不知道我在說啥了。如果是這樣也無彷，所以我再說了一次正確的句子，它仍然不知道我在幹麼，於是就一直問我要不要搜尋。在之後的測試裡，我發現 Siri 無法做 "加入聯絡人生日" 這個動作，它只會一直回覆 "對不起，我無法新增聯絡人" (有趣的是，我可以口頭設定某人是我爸爸，但不能加入他的生日)，先不論這檔子事很不合邏輯，那上圖的測試為何會一直以搜尋結尾呢？原因是我講錯話後，Siri 把問題導向搜尋，然後就完全 "忘記" 前面的 "對話上下文"，若我不把問題重講一次，它就只會一直搜尋。

看到這裡大家感覺如何？老實說我很想作個調查，問問大家平時到底有沒有在使用這些 "智能" 的語音服務 (不是單純的語音 "輸入" 喔！)，不過我認為結果應該不會跟我想得差太多 -- 其實這些語音服務的使用率根本就不高，偶爾問問天氣算不錯了。

那為什麼使用率不高呢？簡單的說就是一個字：

沒錯吧？瞧瞧 Google Now 那付德行，連 Android 使用者都不見得買帳，但原因不完全是它太耗電，而是它的人工智能根本做不到廣告中說的那麼神，而且還不容易手動干預 (我是不知道怎麼做啦) 它的行為，完全無法適用於突發狀況，所以就不知道它要到哪一天才會有用，如強者我朋友說的 "我的電池沒那麼多時間"。

至於 Siri 則有另外的問題。老實說，雖然 Siri 的主打功能是 "自然語音"，但也只是它能辨識的關鍵字特別多而已 (如右圖的簡訊語法)，不過這是一個正確的方向，因為人工智能就是需要龐大的資料庫，而這一點也跟人腦類似，比如說問一個人某部車子好不好，若他壓根兒不知道輪胎、儀表板、馬力、耗油量 ... 等等相關術語，那你怎麼問也是沒用的，因為他沒有相關的背景知識，故結果比問機器還糟。

因此，我們可以理解為什麼 Siri 必須要連上網路才可以用，原因是那龐大的資料庫無法放在各自的手持裝置中，故需要雲端的支援，而撇開各國語言的文法問題 (這其實是大問題，但很難解決)，Siri 的人工智能其實已經非常強大了，它的理解力常常超越大家的想像，但它的問題不在於人工智能 (語 "意" 辨識) 不到位，而是語音辨識能力太爛！聽起來很可笑，因為這是語音服務的 "基本"，也是一切的開端，但這是事實。Siri 在語音辨識方面使用的是 Nuance 公司的技術，雖然其效果不差，但很明顯地速度慢、失敗率又高，比如說中英混雜 [1] 一定掛點，摻有任何專有名詞 (包括餐廳名稱等特殊名詞) 也大多失敗 [2]，另外像上面的示範圖所示，若講話中斷或舌頭打結也是死路一條，即使這些問題未來都可能解決，但目前的確造成很大的不便，用幾次都失敗就不會想再用了。而在這方面，Google 不愧是搜尋引擎的龍頭，仗著手中握有全世界的網路資料，其語音辨識方面的確比 Siri 強很多，不僅速度快，連一些怪名詞都能辨識成功，甚至中英混雜都沒問題 (有時候啦)，可惜配上一個仍在牙牙學語的 Google Now。

所以，問題仍然是 "人工智能" 未夠班。而且麻煩的是，不僅做出的 "反應" 需要人工智能，"語音辨識" 同樣也需要人工智能，技術的不到位導致語音服務不好用。

核心技術不夠好該怎麼辦呢？那就乾脆把它的視野縮小，做好它能做的事，不要好高騖遠吧！這就是錘子 OS 之語音服務的目標。

語音服務介紹片段

幾個月前，對岸的羅永浩先生舉辦了一場他們團隊 (Smartisan) 的手機 ROM 發表會，雖然是基於 Android 的手機 ROM，但其實已經跟新的 OS 沒什麼兩樣了，所以我一向稱它為 "錘子 OS"。關於這位羅先生，綽號是老羅，台灣的朋友可能不太認識他，但他在大陸可說是鼎鼎有名，怎麼有名的呢？坦白說是褒貶參半，有興趣的朋友可以觀賞他的百度百科。

OK，其實老羅是誰並不重要，但他的發表會影片的確是值得一看的，除了他的口才相當好，時常都有笑料之外，我們可以從他們的作品 (或者說是老羅的作品) 中看出這家公司的確很有想法，特別專注於設計，即使底子是 Android，很多 UI 又抄襲了 iOS，但其人性化程度的確有他們的獨到之處。

然而，其中最能引起我共鳴的是語音服務的設計。正如我前面的段落所說，語音服務發展至今始終不好用，原因就在於人工智能的技術還不夠強，依老羅的看法，他認為 "語音辨識不是問題，重點是語音服務的反應做不到真正的人性化"，雖然跟我的看法有些出入，但本質是類似的 (可能是因為我不會那麼無聊去調戲 Siri 吧 ....)，我整理一下：

1. 語音服務的效率必須要遠大於手動操作的效率：這是很重要的一點，比如說上次我心血來潮跟 Siri 對話，要它幫我安排個行程，除了要擔心它辨識失敗，講話要故意 "清楚乾淨不斷句" 之外，一來一回的問答搞到最後比用手去操作還花時間，也難怪這種東西會淪為玩具了 [3]。
2. 連結雲端不該是語音服務的必要條件：目前所有大廠的語音服務都需要連上網路才有用，其實這是相當不方便的事，尤其像台灣這種 WiFi 熱點少、3G 吃不飽的地方，一個服務或軟體需不需要連上網路會直接影響到該物的普及程度。在前面的段落裡，我對此的解釋是人工智能需要強大的資料庫去比對使用者的語意，所以必須尋求雲端伺服器的支援 [4]，但是連語音輸入 (聽寫 Dictation) 這種 "單純的語音辨識" 也要連上雲端是怎麼回事？就連 Google 都在 Android Jelly Bean 推出 "離線語音輸入" 了，iOS 只要是跟語音有關的服務仍然全部需要連網，雖然我前面提及語音辨識也需要人工智能，而人工智能就需要雲端的協助，但 iOS 的語音辨識也沒有因此而比較準確啊 ....

1. 使用語音服務時的心理障礙：這一點時常被人忽略，像我就不敢在人多的地方使用 Siri，因為真的有點丟臉！而這一切的原因是，你必須要跟 Siri 講 "完整的句子"，就像跟人對話一樣，可是又不能 "那麼口語" (不然辨識失敗後要講第二次會顯得更難堪)，所以就講得很彆扭，旁人一聽就知道你在跟機器講話，於是就紛紛投以異樣的眼光，心裡還想著 "耍什麼潮，直接操作不是更快？" 當然，蠢事如果做的人多就不蠢了，像近年來很紅的大板擦手機，坦白說拿那些板擦講電話真的很蠢，可是看多了也就習慣了，至於語音服務離普及還有很長的一段時間，目前這層心理障礙是很難被突破的。

OK，講 (譙) 了這麼多，那錘子 OS 做了什麼？我以老羅的一句話來解釋：

能不說一句完整的話就不說一句完整的話。

什麼意思呢？就是他完全捨棄人工智能的表現，直接把語音服務的功能限制在少數幾項 (見上上圖)，像是撥打電話、傳送簡訊、播放音樂、開啟應用程式、設定鬧鐘、搜尋網頁及查詢地圖。這麼做的好處是，你想用哪個服務就點選哪個，然後直接 "講出單字" 即可，而且若只需要本機相關的資料 (如上述功能的前五項)，語音服務會直接批配本機的資料庫，故 "完全不用連上網路" 就能使用，在此同時，由於發出的指令只是 "單字"，所以比較不引人注目，連心理層面的問題都解決了 (其餘的示範請看發表會影片)。

如何？坦白來說這個設計並沒有技術的創新，能做的事也很有限，但是效率卻異常地高，比起淪為玩具的眾家語音服務搞不好更受歡迎。然而，我知道很多人對此項服務嗤之以鼻，因為它就像個 "開倒車" 的玩意，簡直完全否定了目前正在蓬勃發展的語音技術，而將其限制在最原始的 "語音辨識" 服務裡，不僅對新技術的開發完全沒有貢獻，甚至還帶有嘲笑人工智能的意味。可是，作為一個 "產品" 設計者，功能實不實用及是否能滿足用戶才是第一要務，因此在核心技術還不成熟的時候，做出這樣的妥協其實也無可厚非。

講到這裡，可能有人覺得我很看好錘子 OS，事實上我也不否認 (出自於其他 Android ROM 的 "襯托" ...)，但就我看來老羅還必須繳很多學費。就舉語音服務的例子吧，錘子 OS 的語音服務將輸入的訊息盡可能地簡化，以避免 "說長句子容易出錯"、"各國文法紊亂" 等問題，但這一切的重擔都加諸在 "語音辨識" 服務的品質上，如果跟他們合作的語音辨識公司 (據說是訊飛及雲知聲) 不夠強，那可能導致全盤皆輸，比當其他廠商的跟屁蟲還糟。另外，如我前面的段落所說，其實語音辨識也非常需要人工智能，好在錘子 OS 的 "單字" 策略減緩了此項需求，但等到功能越來越多的時候，遲早還是要面臨這個問題，老羅似乎把語音辨識的應用看得太單純了。

東尼：賈維斯，瞄準目標！

嗯，我還是堅信語音服務是未來的趨勢，但做產品及做研究完全是兩回事，至今我們只能看到現階段妥協之下的成果，但願在不久的將來，我們能看到真正的 "虛擬助理" 幫我們做事。



附註
1. 聽起來這要求太苛刻了，但除了英語系國家之外，哪一國人講話時不會混雜英文 (或者這麼說，有些場合及對話內容想不摻雜英文根本不可能)？如果不能克服這一點，語音辨識的人工智能永遠不能稱作成功。
2. 這個問題在未來可以用 "與 Siri 一問一答" 來克服，就像人們聽到不懂或未知的名詞一樣，問清楚一點可能就知道了。我認為解決只是時間上的問題，只要 Apple 及 Nuance 肯做。
3. 不是我只願跟 Siri 比較，而是 Google Now 的行為無法用語音自行設定，至於 "自動" 或 "智能" 的效率也很難界定，實在是無力吐槽啊，使用它我甚至有一種 "被 Google 掌控行程" 的不悅感。
4. 蒐集使用者資料的陰謀論我就不提了，或許那真的有助於提升日後的服務品質 (官方說法) 也說不定，但不管你信不信官方的聲明，我認為雲端的支援還是有其必要性的，並非只是要蒐集 Big Data。