老罗心心念念的语音交互，藏着一个迈不过的坎
枫枞心晴
2018-05-22 15:19
坚果R1的鸟巢发布会已经过去一段日子了。大家谈论最多的反而不是手机，而是老罗祭出的“革命性”，号称要引领“今后几十年人机交互方式”的TNT工作站。
稍微了解锤子科技发展轨迹的朋友们都不难发现。尽管TNT的工作方式是触屏+语音，但其最核心的操作逻辑还是强大的语音识别技术。毕竟触屏技术通过近10年智能手机和平板电脑上的积累已经非常完善了，而语音识别技术则一直没有太大的进步。
从去年坚果Pro 2发布会上，锤子和讯飞的深度合作产物——大爆炸2.2版开始，TNT的产品设计思路就已经在悄悄酝酿了。
可以说，目前以讯飞为代表的中文语音输入技术，在识别的准确率，以及修改勘误的方便性来说，已经非常不错了。本人作为一名媒体记者，过去听一边听采访录音，一边打字输入是整个采编流程中最枯燥、最繁琐的过程。而现在，只需要打开手机上的讯飞语记，一段一段的外放识别就好了，非常方便。在可预见的将来，语音识别软件让速录人员下岗是分分钟的事。
在面对TNT的交互方式时，很多人谈到了一个习惯的问题——觉得很难从键盘加鼠标的方式过渡到触屏+语音。不过在我看来，所谓习惯就是用来打破的。20多年前，不还有人觉得用五笔字型打字比不上手写顺溜吗？
其实，习惯不是什么大问题。语音交互最大的一个坎。就是下面这位。
没错，就是我们的大脑，以及它独特的工作方式。
在使用语音识别软件的时候，我有一个很深体会。
如果仅仅是想把现成的文章转录到电脑上，只要语音识别的正确率足够高，那么整个过程是非常轻松愉快的。
但如果你是自己原创一篇文章、或是像TNT设想的场景一样做一份演示PPT，那么语音输入的过程就会变得异常磕磕绊绊。
为什么？因为——多任务是人脑的天生短板。（研究资料咱就不贴，你只要知道科学家已经琢磨透了就ok了）
举个栗子：
左右开弓同时写字，特别是写不同的字，一直被认为是一项“绝活”。这也从一个侧面说明 了“一心多用”有多难！
如果换成电脑，这种技能包，给10年前的PC人家都嫌弃。不就是开两个窗口的事情嘛，更别说以多任务见长的TNT工作站了。
再比如：同样是语音输入，念现成的文章只要下意识地把文字念出来就成，不用额外的思考；而当我们开始真正意义上的创作时，大脑就要一边在脑海里组织词汇，一边把思想准备的转化为语言，并通过神经系统传递给发声器官。这个过程就涉及到了两个以上的“多任务”
而键盘打字，其实更多的是一种肌肉记忆。任何一个打字熟练的朋友，脑子里想着一句话，指尖自然敲击，基本不用想“我的食指该放到哪个键位上”、“换行该敲哪个键？”。大脑可以把绝大多数“线程”留给创作本身。
而类似TNT这样的系统在工作的时候。大脑一边要思考PPT、文稿本身的遣词造句，还得准确地转换为标准普通话，并调用发声器官准确输出，还得兼顾双手的触屏操作。。。。。
My God！ 还嫌脑子烧得不够快吗？
网上拿来和老罗的TNT做对比的90年代微软的语音交互技术，除了电脑屏幕过实点，其实基本的功能都已经可以实现了（其中我们还能看到小鲜肉版的盖茨和李开复：）
可见仅仅是语音识别能力上，技术上已经没什么问题了，无非是在数据库中添加更多放言；速度再快下去，受限于我们正常朗读的速度，能提高的也实在有限。
但是大脑“一心不能多用”的bug，将会是TNT很难迈过去的一个坎。
但梦想总要有的，不然，我们跟一条咸鱼又有啥区别呢？
关注官方微博 微博
关注官方微信
Copyright © 1996-2024 SINA Corporation, All Rights Reserved 新浪公司 版权所有
