大音频时代即将到来，全产业链梳理

本文来自“雪球”，作者：GY_GY

今天要分享的是最近一到两个月一直在思考的，消费级科技产品的下一个阶段，谁来主导?综合最近的思考和产业巨头的布局来看，一个以语音为核心的大音频系统，似乎取得了先机。

我们在日常的聊天输入、开车等场景中，越来越多的用到语音输入，语音交互开始取代传统触屏方式成为新的交互方式，而两大切入点目前来看已经明晰。

一是以亚马逊ECHO为首，包括苹果刚发布的homepod在内的智能音箱，以及未来更多的智能硬件，他们主打的是家庭是客厅，试图占据用户在家的时间。

二则是以苹果在iPhone7开始应用的双蓝牙耳机——Air Pods以及未来更多移动端创新产品，在这款耳机发布后，市场中似乎是风平浪静，全球包括国内的各大厂商一改过去蜂拥跟风策略，选择了观望，当所有人都认为Air Pods是一枝独秀，将成为绝唱的时候，产业内早已是风波暗涌。

总结以及顺延趋势来看，人机交互将按照键盘鼠标、触控、全语音、脑电波的路径发展，微软的Windows系统统治了键盘鼠标时代，苹果统计了触控时代，那么下一个全语音时代呢?会是亚马逊这类携上游技术过度到下游硬件呢，还是喜马拉雅这类携中游内容平台过度到下游硬件呢?

大音频上游——语音识别技术

语音交互在目前技术条件下还停留在识别层面，可以说语音识别是人机交互的入口，大公司都希望使用自己的语音识别引擎，以便在应用过程中可以收集到大量有价值的用户数据。 ——这也是为什么科大讯飞愿意让厂商免费使用自己的语音识别软件，未来的大数据时代，语音数据分量不会低。

美国语音技术公司巨头 Nuance 的产品支持超过 50 种语言，在全球拥有 20 亿用户。苹果最早就使用了 Nuance 的技术，但并未减少在自己 Siri 上的投入，而且将 Nuance 和微软的部分高级人才挖了过来，组建了自己的技术团队， 在 Siri 逐步成熟后弃用外部引擎。

谷歌早期通过收购 SayNow 和 Phonetic Arts 进入语音识别领域，后来又借助一系列其他收购逐步完善了语音识别的技术积累， 2016 年谷歌发布语音助手 Google Home 和内置的语音助手 Google Assistant，可识别四种语言。

Facebook 在 2013 年收购了语音识别公司 Mobile Technologies，其产品 Jibbigo 支持多种语言互译，成为出国旅游的常用工具。不久后又收购了语音识别公司 Wit.ai，该公司的技术是通过语音控制移动应用程序、穿戴设备和机器人等智能硬件。 2015 年 Facebook 还测试了旗下智能语音助手“ Moneypenny”。 Facebook 在智能语音行业布局的战略是通过语音交互数据支持其广告投放效率， 并将语音技术用到其将来的 AR/VR 等智能硬件产品中。

亚马逊于 11、 12、 13 年分别收购 Yap、 Evi、 Ivona Software 三家语音识别技术公司， Kindle Fire、 ECHO 智能音箱以及个人助手 Alexa就是基于这些技术。 2016 年亚马逊也积极扩展智能语音助手系列产品线，推出了 Tap 和 Dot 两款新产品。

微软在 skype 时期就着手积累语音识别技术，目前在个人助理Cortana 和微软小冰上实现了应用。 2016 年底微软将词错率降低至5.9%，首次达成与专业速记员持平而优于绝大多数人的表现。

与国外互联网巨头相比，国内的互联网巨头在语音识别上再次走在了后面，因为国内优秀的语音识别公司极为稀缺，即使有钱也找不到目标。

虽然腾讯、阿里、百度等巨头都有自己的语音识别技术，百度还专门从 Google 挖来了人工智能泰斗吴恩达，但是它们在语音识别领域仍然和科大讯飞有明显的差距。

2015 年的“宝马全球中文语音技术测试”中，科大讯飞以车载环境下识别率超过 85%的公司的成绩拔得头筹，比第二名 Nuance 领先很多。

可能很多朋友都会说，国内搜狗、百度和科大讯飞差不多呀，其实这里有一个误区，平常大家在手机上使用的语音识别基本属于近场识别，目前国内优秀的语音识别公司近场识别的准确率基本都能达到 95%-99%， 没有很大差距。

但业内共识是远场识别技术难度高，家居场景中格外需要其应用;相对成熟的产品只有讯飞和京东合资生产的叮咚智能音箱，同类产品在用户体验上相比其它公司明显领先(据说也不怎么样)。

而在远场识别的基础上，语音识别还需要向全声控去发展，目前市面上的所有语音输入软件、智能音箱也好，在进行输入之前，都需要按下语音输入键或进行其他相应操作。

而我想要的是，在厨房忙活着做顿好吃的，手上沾满了油腥，手机放在厨台另一端，我想给回家路上的老婆打个电话让她带瓶醋回来，怎么操作?

只需要凭空喊一声：XX，给老婆打电话，打开免提(或带着蓝牙耳机)，在厨台另一半的手机则自动识别并拨通电话，完成操作。

全声控场景的实现基础是远场识别技术，即设备与人相距 3-5 米甚至更远距离下的语音识别。相比手机放在嘴边的近场识别，远场识别具有很高的技术壁垒，首先需要利用麦克风阵列、回声消除等技术将目标说话人的声音增强，同时抑制周围的噪声和回声;其次通过语音识别引擎针对麦克风阵列处理后的数据进行收集、训练，逐步提升识别率。

15 年 3 月科大讯飞全球首发了自己的远场识别技术，在业内处于领先。

从上游来看，国内的科大讯飞可以说是一枝独秀了，也是老生常谈了，问题还是那些问题(变现)，语音交互技术企业变现在移动端是很难实现的，重点还是应该放在行业的语音交互应用，如教育、医疗等等，以及下游的智能硬件，这两者更为容易。

大音频中游——内容平台

欧美国家在音频内容的发展相对较早，已取得一定规模：德国 2013 年购买过有声书的人数占总人口的 7%;美国 2014 年有声书市场为 20 亿美元，英国 2015 年达 9100万英镑 ，分别约合人民币 135 亿元、 8.56 亿元。

而国内随着2016年至今的自媒体之风，文化产品的丰富程度和个性化程度也大大提升，迅速吸引了大量用户，梁宏达的自媒体栏目《老梁故事汇》在优酷网上一期点击率即可破 500 万。对用户而言，听音频比阅读和看视频轻松的多，同时更适合利用碎片时间;许多视频内容都同步推出了音频版本，并快速取得了成功;《罗辑思维脱口秀》在喜马拉雅 FM 已获 18971.2 万次播放，《吴晓波频道》拥有 124 万粉丝，收听累计 18365.9 万次。

平台类公司中喜马拉雅在音频行业成长最快， 2016 年 6 月估值就已超 8 亿美元， 2016 年 9 月用户量超过 3 亿，活跃用户日均使用时长达 111 分钟。作为一代文青的启蒙电台——豆瓣FM挺可惜的。

而作为内容平台必然不会甘心于纯内容，未来还将把触角向下游延伸，从键盘鼠标时代到触控时代的经验来看，我们可以知道只有最接近消费者才能获益最大。

从大音频时代的中游来看，国内形成喜马拉雅等为首，其中城市传媒(600229.sh)(600229)持有喜马拉雅1.45%左右的股份，相信在不远的将来，喜马拉雅将登上国内资本市场。另外一家蜻蜓FM登上A股的意愿同样强烈，暂无A股上市公司参股资料。

大音频时代下游——智能硬件

既然是智能硬件，就说明不再仅仅是指智能音箱，还包括前面提到的双蓝牙耳机，汽车、电视等，总的来说就是三个场景，把用户每天的二十四小时一网打尽。一个是在家的时间，一个是在开车的时间，一个是到了公司到下班的时间。

在智能家居这两年火了起来，家电企业、互联网企业、通信设备企业纷纷进入，都试图打造自己的智能家居生态圈，然而现今还没有企业真正成功搭建智能家居的生态圈。前面写了文章专门分析了和而泰(002402.sz)从智能控制器转型智能家居平台商，相关文章和更多文章来文末贴出。

而目前看得到的是智能音箱和双蓝牙耳机，智能音箱需要远场识别，即需要更多的麦克风，所以对声学的巨头——歌尔股份(002241.sz)仍是利好。而我一直耿耿于怀的是国产音箱厂商——漫步者(002351.sz)的停滞不前，上市7年市值仍在60-70亿。

从公司的互动平台信息来看，在智能音箱的布局上似乎也不是很上心，更不用说技术含量更高的双蓝牙耳机。

智能音箱还需要更多的产品出现，未来主要关注苹果的Homepod的销量，继续深挖除歌尔股份(002241.sz)以外的产业链。

剩下的就是双蓝牙耳机，有的朋友会说，这有什么技术含量?你还真别小看了，除去苹果的Air Pods之外，我们常用的运动耳机也好，其他蓝牙耳机也好，要么只有一个，要么两个耳机之间总会有连接线。

大家在用无线蓝牙耳机的时候有没有想过，为什么过去的蓝牙耳机只有一个?在今年年初的CES上，索尼和三星都在耳机领域重点展出了相应成功，下图为索尼在CES上展出的双蓝牙耳塞。

而这一项技术的提供者则是被高通收购的CSR，而无线双蓝牙耳机的未来必然还需要降噪，真正实现电影《her》里的剧情。CSR前两天在深圳召开了音频开发者大会，发布了5套产品，分别针对语音识别智能蓝牙扬声器、主动降噪type c耳机、双耳蓝牙耳机、条形音箱等多个市场。

而在国内，能够解决双蓝牙耳机技术的公司不多，其中一家在2015年底才成立的恒玄科技似乎取得了不错的进展，据电子行业分析师孙昌旭老师的消息来看，恒玄科技已经实现了大批量的出货，希望能快点有体验不错的产品上市。

（编辑：肖顺兰）