VR尚早 或许声控交互才是移动终端的下一个风口

编者按：作者张俊，野路子产品菜狗一枚，创业在上海，测试打磨全新的消费向兴趣社区中，运营sns lab社群，事件营销研究者，微信号：biohazard2015，欢迎勾兑，吵架不回。

互联网女皇的预言会成为创业者的大机会吗？

眼 下，怕是互联网最纠结的时刻：智能手机带来的人口红利将尽，仿佛所有人们日常生活中该有的应用都已经被开发出来、用户们也同时失去了尝试新鲜产品的动力； 与此同时，向线下的突进因为过重烧钱没有护城河的模式，互联网加了半天还是凑不上去；本来年初VR给诸位打了不少鸡血、仿佛商用指日可待，但现在看来目前 的终端too young、恐怕至多也才刚刚达到“塞班的阶段”；而最近一直在提的内容、直播、网红等伴随着政策的收紧、大平台制霸和数据造假的曝光，看起来越来越不像 是真正的风口……除去以上的种种，一场资本寒冬让投资机构们彻底懵逼了，失去了往日的格局和耐心，归根结底快没钱了。

那么问题来了，下一个机会在哪里呢？

恰 在此时，互联网女皇来了，最新的年度趋势报告十分之一的篇幅给了“语音”。女皇陛下是这么说的：语音正在被重塑，成为人机交互的新范式，在过去75年里， 每10年就有一次人机交互的重大革新，人类对机器的操作，从物理手柄按键，到物理键盘鼠标，再到触摸屏，而现在语音成为了重要的交互方式。她的案例是Amazon的硬件：Echo。其内置了Amazon Alexa语音助手，目标是占领家居、汽车、手机的麦克风，还能智能购物。女皇大胆指出：语音拐点已经到来，在2015年智能手机销量下滑之后，Echo销量或将腾飞。

遥相呼应，最新一届苹果全球开发者大会WWDC上，库克也放言将逐步向第三方开发者开放siri，如果这一切不是“讲故事” 的话，不出意料我们将看到iphone上出现更多的声控APP，库布斯是要玩一个“声音版的生态化反”吗？与此同时，谷歌公司也提出了雄心勃勃的Google Home计划，利用语音和自然语言查询技术的结合侵入用户的客厅。那么问题又来了，对于中国市场而言，声音会是新的机会吗，声控交互会成为VR到来前大热 的交互模式吗？中国的讯飞和喜马拉雅们会一路插上翅膀开始腾飞吗？

在此，菜狗必须首先泼一泼冷水，我最痛恨的莫过于照搬西方、哄抬赛道的路 数打法，中国版的instagram、中国版的snapchat、中国版的……这些故事后来呢？所以如果今天是在这里放言要有一个中国版的Echo，那就 是我自抽耳光、忽悠大家。但是，尽管我们不能照搬照抄西方流行的产品模式，却完全可以分析他背后的东西——需求、心理和社会趋势：snapchat的崛起 印证了im的高频（脸书你反应慢了给了机会，但腾讯不会）、社交压力带来的发布反悔（腾讯有微信消息可撤回）、年轻人寻求没有父母的个性空间（腾讯有QQ空间）。所以，不论有没有人会去copy to china，这背后有一个话题非常值得探讨：

声控交互的商业价值有多大？以语音信息和交互为主打的平台，将有怎样的市场潜力？

一、当下的声音行业怎么了？

有人要说，这回你外行了，声音的故事早就被我们玩烂了，结果也就那样。确实，印象中从许朝军做啪啪的那一天开始，移动互联网似乎就已经进入了“声音时代”，然并卵。

1、 工具领域，科大讯飞强大的语音唤醒、识别、输入和交互技术从实验室走上前台，领先是领先，但似乎并没有得到太多的应用，让人印象最深刻的恐怕就是讯飞输入 法和最近非常文艺好用的语记平台，问题不在于讯飞有没有成为中国的siri（汉语领域肯定强于siri），问题在于即便siri也远远没有达到预期的效 果、成为人们主流的交互方式，只是一个可有可无的玩具。

2、社交领域，涌现出唱吧、啪啪、抬杠、陪我、比邻、偶尔、派派等一批声音社交平 台，然而几年下来谁也没有真正达到“社交平台”的标准和要求。啪啪们的图片加语音成了一种锦上添花的存在，远远没有达到高频刚需的状态，更何况其阅读成本 奇高，远远不能和立刻一目了然的图片视频相比；更多的平台成了当年的168声讯台、色情热线，或者当年的碧海银沙聊天室；即便在主流的微信平台上，动不动 发语音的人、一发发一串的人也常常变成不受人们待见欢迎的存在。唯一做得好的可能就是唱吧，因为唱K这样一种生活中常见的社交模式真的只能靠声音。

3、 内容领域，这可能是目前唯一可圈可点的区域，喜马拉雅、听书、得到们从不同的角度切入，通过基于声音的媒体内容吸引了一票拥孬：比如根据易观智库的《中国 移动电台市场年度综合报告2016》，作为行业领跑的喜马拉雅，其日活用户渗透率已经高达74.3%，这么好的DAU数据即便放在整个移动互联网领域也是 不多见的，而最近这家平台刚刚通过售卖奇葩说老僵尸们的《好好说话》语音节目赚得盆钵满溢。

那么这里就有一个问题，为什么唯一做起来的是声音内容呢？同时，在内容生态领域最强的莫过于“两微一端”（微信、微博、新闻客户端），主打声音的内容平台能做成那样的体量吗，以后有一天人们会说“两微一端一电台”？

二、当前声音的症结在哪里？

有人又要说，声音的内容是还不错啊，但远远没有到离不开的地步吧？而且，声音这东西啊，太麻烦！是的，就是这个太麻烦！严重制约了声音的发展。

（一）语音识别交互领域，声音一直没有多少存在感

1、相关的技术要求太高。中国人说话远不像老外那样一个单词一个意思，而且各地的口音又完全不同，所以语音的识别、唤醒、输入、交互都是问题，当然强如科大讯飞已经可以破译粤语、上海话、四川话了，但是还会有后面的问题。

2、使用场景有限。视觉和触觉的交互随时随地都可进行，只要你低头悄悄打开手机就行了，但是声音呢，嘈杂的地方不行，人多的地方也不行，甚至晚上一个人了、对着冷冰冰的机器说话，也会有太装太怪的感觉。

3、交互模式不自然。不 论是siri的长按唤醒，还是傻乎乎地“嘿Siri”，感觉都比较违和，当你看着屏幕上siri正处于“倾听录音”状态，心一下子就紧绷了，生怕说错或者 说得不及时，说完以后机器开始识别了，你看着进度条又莫名其妙地焦虑不安起来、它能不能听懂呢，会不会听错呢？结果识别出来，果然是错的，日了狗了……

4、应用生态远未形成。尽管讯飞们已经开始开放语音功能和接口，但市面上并没有出现很多的声控交互应用，特别是——没有出现有影响力的第三方应用。

（二）语音终端远未成型，能够大规模商用的中国版Echo还没有出现，即便非常厉害的可能也市场影响有限，养在深闺人不识吧。（三）语音内容成本过高。

1、信息获取成本过高。看 文字可以一目十行，看图片可以尽收眼底，看视频基本3秒内就可以判断值不值得看下去。但是语音完全不是这样，你听一段语音（如果不是歌声），往往得听三分 之一以上才能判断是否值得听，而这个过程是漫长的、听的时候还动不动走神、左耳朵进右耳朵出，如果再加上漫长的前奏简直令人抓狂。这还只是一段语音，如果 我又在很多语音中来回播放暂停选择想听的内容呢？这个过程简直繁琐得崩溃了！

2、使用场景有限。一样的道理，文字图片可以在任何地方看吧，但是语音呢？

3、差异化价值“貌似”不高。既然都能看文字解决，为何要用语音呢，难道就是为了主播磁性的嗓音？如果是为了这些感性的体验，视频是不是更好一些呢？

这样看起来，好像声音一无是处，可真的是这样吗？解决几个症结就好了。

三、声音的核心价值和竞争力

回到开头，我们来看Echo这个产品。它和siri最大的不同在于：这是一个纯粹通过声音、完全不需要屏幕的产品，看起来就像一台音响，用起来就像和人对话一样。进一步说，它解放了人们的眼睛和双手，你可以一边做别的事情，一边用声音和它交互。

这 样一说就清楚了，归根结底siri和讯飞们并不是纯粹的声控交互产品，他们顶多只能算半声控交互产品，因为从唤醒他们到判断语音输入准确与否到最终的结果 显现，你几乎都要用到眼睛和手，声控交互的核心价值“解放眼和手、不再低头族”完全得不到显现。换句话说，他们都是视触觉交互的补充而已，所以本身就锦上 添花、可有可无。

你用siri打开微信，比自己亲手打开能方便多少呢？你用语音输入法输入一段话，错了还得回删，这真的比打字输入更方便吗？

但是未来将流行的可能是纯粹声控交互完全不同的价值，并且这几乎是一个“高频刚需”。

1、抓住了不适宜使用手和眼睛的人群。比如中老年人、残疾人、不擅长打字输入的人群，除非有一天人类技术发达到脑波交互，否则声音都是最适合他们的交互模式。

2、抓住了不方便使用手和眼睛的场景。 这就是我们常说的“低头族场景”，走在路上、正在开车、晚上睡前、保护视力。由于以往的声控交互产品做得太差，中国人以强大的适应能力，练就了在这些场景 “眼疾手快、目不离机”的超能力，哪怕视力下降、头昏眼花、低头撞人也在所不惜。但是试想一下，如果声控交互真的做上去了，声音真的成了乔布斯口中的“自 然延伸”，他们还会这样吗？

3、创造了全新的伴随式场景。小的时候，我们为何早上起来会听收音机，因为 可以边听边做其他事情，一心两用。对，就是这个一心两用！今天我们为何会一边跑步一边开车一边听喜马拉雅——像笔者年初一边在虹桥火车站办手续一边在喜马 拉雅听罗胖的跨年演说、一边热泪盈眶……这都是一心两用呀！简言之，声控交互解放了人的手和眼，不仅在不适宜使用眼手的“低头族场景”，更在其他丰富的时 刻。通过声控交互，你可以边听边说，一边干其他事情，这种一心多用的方便效率是不可抵御的。本来这些事，你要不停切换APP来完成，或者放下手机、把视线 移到别的地方，但是现在完全可以并行不悖、同步推进了。

4、声音有其独有的魅力。人与人的沟通中，影响 最大的是身体语言带来的气场（可惜隔了手机屏幕就完全体现不出来了），其次就是声音（音调音色节奏），最后才是内容。从这个角度说，声音的成本确实比文字 高，却远比文字“有温度”，黄执中的辩词如果打成文字你未必读得下去，但只要他魔鬼般的嗓音响起，你立刻觉得他什么都是对的了；声音确实没有视频一目了 然，但成本却远比视频要低，你不需要打瘦脸针玻尿酸弄出一张网红脸，因为当你的声音响起，没有人在意发声的人有没有罗胖帅。这也是为什么最近大火的分答会 用语音，一来“盗版”成本高一点，二来听到名人真实的声音、这满足感是不同的。

四、全新的机会，声控领域的BAT

BAT？有人要说了，你这不是在拉大旗做虎皮吗，说到底还是忽悠我们开发中国版的Echo呀。

恰恰相反，我并不认为Echo是创业者们最好的选择，但是“基于纯声控交互”的APP却可以成为一个机会，关键在于讯飞和喜马拉雅们能不能迅速“醒转”，构建出一个对第三方更加友好的生态。

什 么是基于“纯声控交互”的APP，说白了就是整个APP的使用过程都完全不需要通过屏幕触摸、不需要动用眼睛和双手，最好连唤醒他们都可以用声音。这样的APP一旦出现，我们就根本不需要购买Echo，因为手机就是个简易版的Echo了，我把手机放在一边，一边做别的事情，一边就可以使用声控交互了。如果 你使用与声控系统匹配的专用耳麦，如果这个耳麦可以随时响应、识别你微小的声音（在人群中大声很傻比），那么耳麦就是手机之后真正的可穿戴智能硬件，比手 表之类强多了。

基于目前已经研发出的汉语语音识别唤醒技术，讯飞完全具备这样的能力，但是成果多半在实验室里睡大觉。如果能早一步开放出 来，如果能搞好与苹果安卓厂商们的合作不被“雪藏”，那么接下来的势能是非常可怕的。在笔者看来，一旦声控交互成熟了，接下来在这五个区域有明显的机会。

1、新一代的语音助理，各个声控应用的统一调用入口。 这是讯飞和siri们的机会，喜马拉雅这样的高活跃产品也可以向此进击。简言之就是声控版的appstore、应用宝。只要这个入口处于开启状态，就可以 随时通过语音对话的方式调用各个声控应用，而不需要打开屏幕用眼睛找到那个应用再点开——这就是软件版的声控交互。他的唤起和使用都应该是毫不费力、自然 而然的，不要像siri那样喊起来用力、用起来发急。可以想象，这个平台会是未来声控交互的入口，是整个声控应用生态的命脉。

2、声控类的工具。在子不语的《下一代交互革命是语音：Voice In Voice Out》一文中，描述了这样的场景：你可以和她交谈，她可以帮你控制关于房子的一切，灯光、温度、微波炉、冰箱……当然，这里就涉及到智能家居组网、车联网等问题，后面会提到。

3、声控类的社交。

a、 熟人通讯方面，我们应该都见过这样的场景，出租车上司机们通过对讲平台互相勾兑、插科打诨。路上匆忙的低头族，很多都在回微信，而如果通过声控交互构建一 个对讲平台，这个体验就完全不一样了，你不需要用眼和手也可以随时给某某捎去一段话，别人给你发来语音、声控交互会提示你是否接听，而如果这个交互可以通 过耳麦自动识别微小的语音（并根据接听者情况适度放大），那么以后走在路上就可以轻松而不违和地与人通话了，这个事情的意义在于将从另一个角度接管用户的 关系链，形成大网优势。

b、陌生人社交方面，当下社交产品最大的痛点就是社交质量差、低效社交多、效率远远赶不上用户预期，一个突出表现就 是搭讪无人理睬、理睬也在若干小时之后（所以人们为何喜欢直播，因为美女主播至少会说谢谢反馈下），但是语音沟通是一个更加强调即时性和真实性的场景，又 不像视频那么需要“化妆和端着”，所以反而可能成为新的突破口。至于当下的语音社交平台为何多数做的不好，因为太像色情声讯台了！到底应该怎么做，笔者后 头的产品会做出回答。

4、声音类的内容。前面已经说过，声音内容是目前做的最好的区块，那么接下来的重点是：

a、 改善交互。现在的模式是打开列表、看标题内容简介、点播放键、再点暂停键、再看列表，这个过程太累了。但是试想一下，为什么我们小时候调收音机换台不会这 么累呢？为什么我们走在人群中偷听不同人的对话不会这么累呢？因为这都是步骤更少、更加自然而然地交互，实际上美国已经有一款非常厉害的可视化声音应用解 决了交互成本问题，是什么先不表。

b、兴趣推荐。如果选择值得一听的声音节目成本如此之高，那么一个比较好的办法就是基于兴趣的推荐来降低 选择难度。比如喜马拉雅已经推出了“猜你喜欢”系统，可以通过深度学习、进行类似今日头条那样的个性化推荐。那么再进一步，如果以后这个推荐可以不需要通 过眼睛完成呢，直接传来一个声音：“小喜根据你的爱好搜到了几个节目，下面念下标题，你感兴趣就喊要这个……”

c、时空触发。这个意思是， 应该给更多的信息赋予时空属性，比如在某一时刻放出，或者在某一位置放出。举一个例子，你今天刚到一家商场，连上wifi，耳麦里立刻提醒你有最新的优惠 活动信息、要不要听。你像即刻那样设置一些关注节点，比如某股又跌了，当这个消息到来，耳麦里立刻提醒你要不要听。你到达某个景点，耳边响起景点的典故。 你晚上睡不着了，耳边响起周围人的声音，像不像《her》？

d、做强参与。同为视频，直播爆火的劲头远远强于当年的视频平台和短视频，这也 释放了一个信号，用户并不满足于成为单向的内容接受者，他们也希望成为内容的参与者甚至再创作者，他们也希望得到更多的互动和回馈，来满足参与感、存在感 和归属感，所以类似电台的互动直播很重要。

e、声红生态。如何俘获声音领域的“网红”们，通过更丰富的办法帮助他们获取规模精准流量、降低内容生产门槛、维护粉丝社群、持续多样化盈利。比如喜马拉雅的PUGC生态战略，已经拥有400万主播、8万认证主播，这个供给端的大棋该怎么下下去？

f、 制作成本。事实上制作成本的问题完全可以解决，一个是更加灵活强大的声音编辑工具，另一个其实是文字到声音的转化工具——你声音不好？你不会抑扬顿挫？那 么讯飞正在尝试在语记一类的平台推出文字转化成声音的功能，不是冰冷死板的普通话，而是可以转成萝莉的声音、方言的声音、林志玲的声音、单田芳的声音……

5、 声控类的终端。尽管菜狗对硬件终端充满了“恐惧心理”，但是说到底，如果这个声控交互能强大到占领你的客厅，占领你的卧室，占领你的驾驶室，甚至更强大一 些，可以无处不在，像《her》中那样在云端接受和处理不同人的信息，你可以在任意的咖啡馆、写字楼、商店、公交上唤起他……那么毫无疑问，这一切都需要 终端领域的进击。如果这个事情有人能做起来，那就是真正的“生态化反”了。

五、声控交互还有多远？

声控交互不是简单的YY，事实上未来已经到来。

以 智能终端为例，科大讯飞已经推出了一款名为叮咚的智能wifi音箱，也许用不了多久这种汉语声控的设备就会出现在你的身边。同时进军音箱领域的喜马拉雅FM一方面将内容植入Sonos、哈曼、漫步者、Misfit等智能产品中，另一方面通过收购国内顶尖音箱厂商海趣科技，自主研发了3D降噪耳机等产品。

在 应用场景方面，两家声音领域的巨头联合推出了语音开放平台，喜马拉雅FM的“喜马拉雅inside”开放平台直接对接各类下游硬件研发和生产企业，打造应 用生态、拓宽应用场景的野心一目了然。喜马拉雅FM的海量音频内容已经植入智能家居、汽车、音箱等超过300家品牌，包括宝马、福特 、比亚迪 、百度Carlife在在内的几乎所有主流车厂（车载系统）已全线接入喜马拉雅FM；车生活系列的随车听正在侵入用户的驾驶室，家声活系列的故事机、听书 宝、接入喜马拉雅的智能冰箱已经开始觊觎用户的家居生活。与此同时蜻蜓FM和考拉FM的车联网、智能家居战略已经磨刀霍霍。

这就是不久的将 来，声音将像水和电一样，随取随用，自由流动在每一个人的耳朵和心里。明确的人群和场景、高频应用的可能、进一步侵入住家私车进而无处不在的潜力、明确的 技术和标准门槛，这个故事看来很美好。但是最后菜狗还是必须提醒大家，这一切的前提是：技术足够强大并且向第三方开放、声控交互的全面优化和规范形成、苹 果安卓们愿意让出这块肥肉、有影响力的声控应用的出现。这里面每一步的实现都不是轻而易举的，但正如互联网女皇说的那样，声音正在成熟，目前是最接近这个 机会的节点。