作為智能語音的一種載體，它是否能獲得更大空間，還是逐漸被消解掉，成為智能語音的初代形態，還需要時間檢驗。
此時此刻，不用抬頭，問家里的小愛同學、小度小度或者天貓精靈一個問題，它會告訴你答案嗎？
不一定，這取決于你的問題是否復雜，語法是否標準，它有沒有聽懂關鍵詞，或者它有沒有這首歌的版權。
所以你可能會聽到一個簡短的正確答案，一長段語調詭異的來自某個瀏覽器的長篇大論，一首從來沒聽過的歌，或者一句干脆利落的道歉。“哎喲喂，這個問題我不知道哦。”
幾年前，國內互聯網巨頭競相殺入智能音箱市場，仿佛誰占領了這塊高地，誰就能拿到通往智能語音時代的船票。一番廝殺后，阿里、百度和小米留到了決勝局，但智能音箱產品卻在連續幾年快速增長后迎來平臺期。
占據市場，然后呢？這是智能音箱巨頭們需要回答的問題。
智能音箱最初出現在市場時，背負著很多關于未來的期待。——新一代交互終端、深入家庭空間的流量入口、環境智能化的開啟者……
對紅火多年的人工智能技術而言，智能音箱是一個誕生于AI時代的絕佳實驗品。不算太高的價格，讓它迅速占據普通人的客廳和床頭，甚至成為一名隱身的“家庭成員”。
2014年，亞馬遜發布首款智能音箱Echo，兩周內出貨量破百萬臺。美國著名科技記者詹姆斯弗拉霍斯曾引述蘋果公司對于這一事件的反應：“先傲慢地藐視，而后又陷入驚慌失措。”隨后，多家互聯網科技公司下場，智能音箱市場陷入混戰，最終占據頭部份額的是亞馬遜和谷歌，蘋果公司緊隨其后，Facebook則仍在苦苦追趕中。
如同重復過很多遍的故事那樣，智能音箱產品的戰火也在后續幾年燃到中國市場。
2017年7月，小米在生態大會上發布智能音箱產品。五年后的今天，國內的智能音箱市場呈現阿里、百度、小米三足鼎立的態勢，三家公司占據的市場份額已超過95%，且彼此之間尚未分出明顯勝負。
人們更習慣用喚醒詞來指代這些產品，這些活躍在家庭生活空間中的小愛同學、小度小度和天貓精靈。
巧合的是，國內的智能音箱市場格局幾乎可以和國外市場形成一組默契的對照。——一家靠電商起家的公司、一家以搜索和瀏覽器立足的公司和一家手機廠商，正在占據有利身位；而一家充滿社交基因的互聯網巨頭被甩出一段距離。
小米的優勢在于硬件領域多年的積淀，三足鼎立的競爭中，它是在自建智能硬件生態道路上走得最遠的一家。在整個生態中，音箱是控制器，將小米空調、烤箱、掃地機器人、洗衣機、臺燈、冰箱等種類繁多的家電，納入同一個家庭智能系統中。
圖源小米商城官網
嚴格意義上來看，小米發展智能家居的動作早于小愛同學的誕生。2013年9月，小米發布智能電視產品，同年11月，小米智能路由器問世。直到此時，智能音箱產品仍在醞釀期，亞馬遜的工程師們還沒從50多個備選喚醒詞中選定“Alexa”。
四年后，小愛同學“出生”，在智能音箱市場的成功，加速了小米擴張硬件版圖的野心和步伐。小愛同學和其他智能家居產品產生聯動效應，為用戶選擇加碼。
2021年10月，小米董事長雷軍在微博宣布小米之家門店突破1萬家。根據財報信息顯示，2021年前三季度，小米IoT業務收入占比為25％。隨意走進一家商場里的小米之家，手機柜臺幾乎只占據兩三排，烤箱、空氣凈化器、電視擺在顯眼位置，讓人誤以為置身于一家微型電器城。
阿里的優勢在于渠道和供應鏈。相比小米的自建生態，阿里依托外部強大的智能設備合作網絡，將天貓精靈接入更多非阿里旗下的智能設備。2021年，天貓精靈官方公布的接入品牌超過1000個，智能產品超過5000款。
而電商平臺的渠道優勢，則為在營銷推廣過程中產生極大助力。2017年8月，首款天貓精靈音箱發布，在當年雙11期間，天貓精靈銷售量突破100萬臺，就此完成用戶的原始積累。根據大數據服務提供商奧維云網的報告，2017年國內市場全年智能音箱出貨量僅176萬臺，按照這一數據，天貓精靈在雙十一賣出的數量占據當年總出貨量的56.8%。
圖源天貓官方商城
從產品層面來看，三家公司中，百度是起步最晚的。我們熟悉的小度小度并非百度推出的首款智能音箱，2017年11月，在小愛同學問世四個月后，前總裁陸奇在百度世界大會的舞臺上隆重地把公司首款智能音箱raven H 帶到聚光燈下。然而，這款定價1699元、瞄準中高端市場的產品很快收獲市場潑來的一盆冷水。2018年6月，百度不得不調整產品戰略，推出售價僅為89元的小度智能音箱，也就是我們所熟悉的小度小度。
百度的首款智能音箱raven H，圖源渡鴉官網
此時，小米和阿里已經起跑很久。根據市場研究機構Canalys公布的數據，2018年第二季度，天貓精靈和小愛同學已經在全球智能音箱出貨量榜單中分列三、四位，僅落后于Google home 和亞馬遜Echo。
擺在百度面前的，是每年數百萬臺出貨量的差距。
百度打出的第一張牌是低價。相較于第一代智能音箱產品raven H的高價路線，第一代小度音箱的定價是89元，不到前一款產品的6%。價格甚至低于小米稍早前發布的低價系列音箱小愛mini。
第二張牌則是依托于搜索和知識體系的信息交互與內容供給能力。對于百度來說，在搜索模型中運用的海量用戶行為信號和算法能力，可以成為小度音箱算法調優的基礎；而百科、百家號等體系沉淀下的文本內容，則能夠成小度小度回答問題時的海量召回池。
第三張牌是起步較早的帶屏音箱。雖然在智能音箱的早期戰略決策中出現失誤，但百度是三家公司里最早推出帶屏音箱產品的一家，比阿里早10個月，比小米早將近一年。這一張牌幫助百度在沒有占據智能音箱市場先發優勢的情況下逆轉戰局，到2020年底，百度智能屏出貨量已在全球范圍內占據30.5%的份額，且智能屏銷量已占據百度智能音箱整體銷量的70%。（數據來自市場研究機構Strategy Analytics的相關報告。）
三家公司各自占據有利地形后，留給騰訊的空間非常狹窄。騰訊曾在2018年4月發布一款名為騰訊聽聽的智能音箱，售價699元，遠高于競爭對手。在沒有先發優勢的情況下，價格不占優且沒有特殊優勢讓這款產品失去競爭力，上市不到一年后，騰訊內部暫停了這個項目。
海外市場上，Facebook尚未放棄。2021年9月，他們推出便攜式智能帶屏音箱portal go，主打視頻通話功能和便攜能力。國內市場，騰訊未來是否還會攜新品殺回戰局，還是一個未知數。
圖源網絡
但擺在智能音箱巨頭們面前的，是另一個重要問題。
根據洛圖科技（RUNTO）《中國智能音箱零售市場月度追蹤》報告，2021年中國智能音箱市場銷量為3654萬臺，同比下降3.5%。市場頹勢在2022年初并未好轉，2022年1月中國智能音箱市場銷量為305萬臺，同比下降19.4%，環比下降3.5%。
和很多C端產品一樣，智能音箱似乎觸碰到自己的增長天花板了。
智能音箱產品在增長平臺期面臨的挑戰來自于多個方面。
首先，阻力來自技術層面尚未被攻克的難題。從事嵌入式開發的工程師于楊認為，智能音箱最關鍵的技術是語音識別和NLP（自然語言處理）。“如果追求音質的話，音響本身也挺關鍵的。”
語音交互的過程中，首先需要用戶輸入的信息被機器識別，而后對識別后的文本進行處理和理解，才能對外輸出新的語音，或完成用戶表達的指令。
但在中國市場，方言是語音識別繞不過的問題。南方有很多方言區，吳語、粵語、閩語、客家話等方言大類都有數千萬人口使用。方言群體中，很多常駐家鄉的中老年人很難用標準普通話和智能音箱對話。對方言區不擅長普通話的中老年人，智能音箱當前不具備可用性。
智能音箱開始對方言交互的艱難嘗試，圖源小愛同學官網
而方言大類內部的語法、詞匯、語調不具備統一性，例如福建同一省內就有七個不同的方言區，不同方言區的當地居民如果用方言交流也很有難度。眾多復雜因素，導致方言的語音識別和語音交互技術始終沒有突破性進展。
普通話環境中，語音識別難度較低，但準確理解語句的停頓、含義乃至情緒，進而做出恰當的反應和回復，仍是一個不小的難題。2018年底，雷軍在小米AIoT開發大會上試圖向外界展示小愛同學真正的實力，結果在提問“三個木是什么”后，小愛同學突然高歌一曲：“你是電，你是光，你是唯一的神話。”
智能音箱的翻車不分場合，管你是老板還是普通用戶，它絕對一視同仁。
尚未成熟的技術，使得智能音箱的形象更接近于蠢萌而非聰慧，更多用戶傾向于讓家中的小愛同學或是天貓精靈完成機械性的指令。這些機械系指令包括唱歌、開燈、定時等，因為指令明確且往往只有一兩個詞匯，智能音箱很少會在完成這些指令時犯錯。
于楊稱，小愛同學對他的唯一作用，是可以躺在床上開關燈，他甚至很少用它放音樂。“因為得事先想好要說啥，手機上點可以（在）菜單里瀏覽。我想聽歌打開軟件，聽什么歌都可以瀏覽后再點，但是語音說的話只能一次把指令說完。”
智能音箱的形象和用戶的使用習慣，決定了它不是一件迭代需求很強的商品；長期處于室內固定環境中，則意味著它的損耗周期很長；靜態的功能，讓它不會像手機產品一樣存在內存不夠的換機理由。
于楊的小愛mini購于2018年，那時他還在為小米工作，一直到今天，他從北京跳槽到上海，家里用的還是這臺智能音箱。畢竟對于他這樣的用戶來說，讓一位出生于2018年的小愛同學開燈，還是讓一位出生于2022年的小愛同學開燈，根本沒有任何區別。
技術層面未被解決的問題，一方面讓存量市場很難產生迭代需求，另一方面又讓方言地區增量市場的開拓遇到阻礙。觸碰到增長天花板，只是一個時間問題。
其次，聯動的市場環境決定了許多想象中的產品價值暫時無法發揮作用。
在很多關于智能語音的暢想中，人們將其視作家庭空間智能化的總指揮，坐在沙發上就可以控制窗簾、打開電視，甚至煮上咖啡烤起面包。但在現實空間里，大部分音箱都和于楊家的小愛mini一樣，只接入臺燈、電視等少數設備。甚至對很多家庭來說，音箱就只是音箱而已。
以智能窗簾為例，接入智能控制系統的窗簾軌道目前單價在500到700元不等，如果一層紗簾一層布簾，則需要兩條軌道，成本在1000到1400元。短期來看，愿意為此買單的用戶多集中在一、二線城市，智能家居在下沉市場的普及還需要時間。
成套智能家居系統更多出現在酒店空間里，全季、亞朵、秋果等商務連鎖酒店的部分門店，紛紛以智能音箱為核心，建立起一整套智能居住系統。作為售賣空間和服務的酒店，居住環境智能化的浪潮顯然早于家庭居住空間。
也許在不久的未來，全套智能家居會成為普通人家裝的必備選擇，到那時候，對于“總指揮”的需求才會更加強烈。
對企業來說，除開底層技術和市場環境，另一個需要面對的難題是商業模式。眾多大廠押寶智能音箱產品時，看重的潛力在于它可能是新一代的流量入口，就像曾經用戶的時間從PC遷移到移動端一樣，流量也可能從移動端部分遷移到智能音箱。
在互聯網商業思維中，得流量者得天下，不管后續如何變現，先卡住身位再說。等到局面穩定，增長逐漸步入平臺期，變現的手段卻還在探索中。
首先是硬件出售本身的收入。為搶奪市場，各家都曾對智能音箱產品進行過大額補貼，百度、阿里、小米都曾推出過百元以下的產品。一位硬件發燒友曾將小愛音箱大卸八塊，核算出硬件部件的價格總和大概為170元，不包括組裝費、包裝費、軟硬件研發成本、運輸成本等。在硬件設備上，智能音箱的盈利空間很小，甚至很難打平成本。
移動互聯網時代，流量帶來營收的方式不外乎增值服務、廣告、直播和電商。而這幾條路，目前看來都在智能音箱這一入口面臨暫時的水土不服。
會員和付費內容/功能是較為常見的一種變現手段，也是許多工具類產品的營收方式首選。但智能音箱產品在搭建會員體系的過程中，首先需要挑戰的是用戶早前建立起的心智。——原本免費可以用的東西，現在付費才能用了；原本手機音樂app里已經購買過的會員，音箱需要再買一次會員才能播放歌曲。
明星在綜藝中與智能音箱互動，圖源芒果TV《向往的生活》截圖
對于用戶來說，這不是一種能輕易接受的轉變。在此前大部分綜藝植入中，智能音箱的形象是一個好玩有趣的內容提供者，它能與人對話，和人玩游戲，給人播放指定音樂。一旦建立付費體系，意味著音箱的身份更多地轉向工具和內容載體，跟用戶原本的預期產生落差。手機端的付費習慣尚在培養期，智能音箱作為一個更低頻的工具想直接建立起用戶的付費心智，顯然還需要拿出更高階的差異性體驗。
至于許多C端產品不可缺少的廣告收入，智能音箱目前還無從談起。一方面，相較短視頻或圖文信息流等產品形態，智能音箱的內容展現需要很強的交互動作，由用戶點對點觸發，這種交互形態下，廣告信息很難有展現時機；另一方面，廣告在智能音箱產品中的展現可能會引起用戶更強烈的抵觸，在私密的家庭空間，由一臺號稱人工智能的音箱播報某些符合用戶畫像的廣告，或許會增加用戶對于隱私問題的焦慮。
總而言之，底層技術和市場環境拖慢了智能音箱產品的增長步伐，而商業模式仍在探索期，尚無公司提供出標準答案。但挑戰也是機遇，不管是當前的三巨頭還是未知的新玩家，誰能更早地越過障礙，或許誰就能率先松動當前的市場版圖。
跟蹤報道語音技術十多年，和多家互聯網科技公司高層打過交道的詹姆斯弗拉霍斯，曾在2019年出版的著作中興奮地斷言：“每十年左右，人與技術的互動方式就會有一個根本性的轉變。智能語音時代的到來是人類歷史的轉折，因為運用語音是我們人類這個物種的特質——這一能力把我們和其他物種區分開來。”
他把語音稱為學習成本最低的工具，超越文字和畫面，成為人類與機器交互的首選。“人們會拋棄鍵盤和觸摸屏，而選擇更自然、更讓人自在的語音界面。”
然而事情似乎沒有朝著這個方向發展。小度系列通過帶屏音箱實現的“逆轉”，和各家智能音箱巨頭在帶屏新品中投入的精力，似乎都在宣稱，用戶很難放棄屏幕。至少在現在這個階段，視覺依然是人機交互的重要組成部分。
如同詹姆斯所言，語音確實是學習成本最低的工具，對大部分人來說，這是在生活中天然習得的技能，沒有額外學習成本。但同時，語音交互也存在低效問題。在需要更高效接收信息，幫助自己做決策時，人們會像于楊那樣直接打開歌單，挑選自己想聽的歌曲，而不是自己決定好一切，再準確無誤地告訴智能音箱自己想聽什么。
歸根究底，智能語音技術的發展還未抵達顛覆性時刻，尚不能取代文字/視覺/觸覺的交互形態；也有可能視覺/觸覺交互和語音交互之間，本就不是演進關系，沒有誰會取代誰，不同技術將會相互交融，以滿足用戶不同場景下對于便捷、效率、舒適等多方面特征的需求。
隨著越來越多帶屏/觸屏音箱配備電池，支持長時間不插電模式，智能音箱開始同樣具備便攜性。甚至音箱這個名稱也只是一種習慣性的延續，一個便攜的觸屏智能音箱，看起來更像是一塊平板電腦安裝了喇叭和智能語音系統。
百度的可旋轉智能屏新品，圖源小度商城官網
未來，有很多屏幕都可能完成這樣的轉變。那塊能聽懂人說話的屏幕可能是平板電腦、手機、電視、或者冰箱上的液晶顯示屏。Alexa只是住在亞馬遜Echo音箱里的智能助手，它也會住在任何地方。
從實際使用情況來看，居住在音箱里的各位智能助手，更多承擔的是娛樂職能和簡單的工具職能。
北京大學信息管理系研究生王艷卿曾在研究中指出，好奇是大部分用戶在家中使用智能音箱的最初動機，85%的被訪家庭明確表示當初購買智能音箱是出于好奇的目的。通過綜藝植入和廣告，智能音箱給消費者留下的印象是新奇有趣，在低價促銷的催化下，好奇心最終轉化為購買行為。
與之對應的是購買后的使用行為。根據艾瑞咨詢2021年發布的報告，下沉市場用戶使用量最高的功能是播放音樂，占比高達69%；其次是詢問天氣、播報新聞/故事和設定鬧鐘；控制家電排名第6，占比是34%。
這些被高頻使用的功能，都是國內智能音箱在誕生之初就具備的。五年后，并沒有出現顛覆性的新技術，足以讓用戶改變“新奇有趣”的初印象，用更嚴肅的目光看待這些每天被喚醒的智能助手。
從增長和營收的角度來看，智能音箱已經走到十字路口。作為智能語音的一種載體，它是否能獲得更大空間，還是逐漸被消解掉，成為智能語音的初代形態，還需要時間檢驗。
而智能語音同樣也走到了十字路口，截至目前，詹姆斯口中的智能語音時代尚未到來。如何讓用戶真正無障礙地實現人機對話，讓取著人類名字的語音助手們表現得像是個成年智人，而不是時常闖禍、偶爾逗樂或完成簡單任務的孩童，我們需要的也許不止十年。
（應受訪者要求，文中于楊為化名）
參考資料
1.王艷卿,劉暢.家庭環境下智能音箱用戶的信息行為研究[J].文獻與數據報,2021,3(03):116-128.
2.[美] 詹姆斯·弗拉霍斯,苑東明,胡偉松譯.智能語音時代[M].電子工業出版社,2019年.
3.帶屏下沉 “下沉”專題系列報告-智能音箱消費行為報告2021年[C]//.艾瑞咨詢系列研究報告(2021年第5期),2021:610-634.
關鍵詞： 語音識別
