鄢志杰 阿里巴巴达摩院语音实验室负责人
2003 年进入中科大语音实验室攻读博士时，鄢志杰已 经笃定彼时尚未成为主流的语音行业以后必成大势。 博士毕业后他进入微软亚洲研究院，曾任语音团队主 管研究员，2015 年加入阿里巴巴集团。同时，他还是 IEEE 高级会员，长期担任语音领域顶级学术会议及 期刊专家评审。
深耕语音行业十八年来，鄢志杰长期从事语音交互智 能的研究、产品化和商业化工作，在语音识别、语音 合成、语音交互等多个领域展开深入研究并成果斐然， 其研究成果被转化并应用于阿里巴巴集团、蚂蚁金服 及微软公司多项语音相关产品中。
Q1:你怎么向一个小学生去描述现在正在研究的 方向?
鄢志杰:我通常会用比喻的方式。其实 AI 很多研究方向，都是和人的感知相关。如果说计算机视觉对应的是眼睛，我做的就是耳 朵和嘴——耳朵是语音识别，把语音转成文字，嘴就是语音合成，把文字转 成语音。
Q2:这几年，智能语音交互领域还有没有让你很意外的应用场景?
鄢志杰:唯一有一个意外是，在我研究生阶段开始学这个技术的时候，没想 到今天在限定领域的语音交互的自然度，能够达到这么高的水平。比如说我 接到天猫超市打来的电话，说马上要配送了，问在不在家里，送到门口还是 送到物业?其实这都是 AI 打的电话，但很多人并没有感觉到不同。当然这 还只是在一个非常特定的领域，其他更广泛的领域里现在技术还做不到这么 自然的程度。
Q3:现在技术的限制主要是哪些?
鄢志杰:限制还是很多的。比如语音识别，还是停留在各种场景下更普适的 语音识别准确率。当年 IBM 的 Via Voice，要带一个耳麦讲话，现在手机可 以在稍远距离准确识别，智能音箱又可以做到更大距离。但这些的前提是， 在家里边不会有太多的噪声，而且这些场景都是单人的，都是跟机器去完成 一个单独的任务——要么是听写，要么是想点一首歌。但如果加了很多别的 因素，准确率就会逐渐下降，比如说噪音、口音、多人，甚至不是要完成一 个任务而是多人闲聊甚至争吵，还有语音之间的互相覆盖等等。
语音合成也一样，现在 AI 读一个句子、甚至一段话基本上可以以假乱真， 但是读一个篇章以后，例如小说，就会发现 AI 说话没有感情的起伏，是千 篇一律的。
Q4:这些技术的障碍，是什么层面的障碍?算法?还是硬件 ?
鄢志杰:我觉得都有。刚才说在一个真实环境下对人与人交流进行拾音就是 采集的问题，这些就很基础，甚至涉及麦克风本身，在这些信号采集之上的 信号处理、降噪增强算法问题也不少。
拾音后，如何处理多人同时讲话，比如两个人在争吵，怎么做到这种场景 下有效的语音分离，不仅辨识出说话的内容，还要识别出说话人的身份， 这些技术都是上层的，算法也会涉及。
Q5:好像现在整个语音交互停留在了一个平台期，当年从上一个平台期到 这个平台期，到底是哪些因素改变了?
鄢志杰:第一个因素是移动互联网，表面上看起来没有关系，其实关系很大。 因为移动互联网带来一个巨大的好处，就是获取合法合规的数据越来越容 易了。以前我们刚学技术的时候，积累语音素材要请人到录音棚里对着麦 克风录音，这样做的问题首先是不真实，因为是在录音棚，第二是覆盖的 人数很有限——能雇到几百人就很多了。
第二个因素是深度学习，除了算法以外，还有数据和算力。
然而，我觉得最终是应用的推动。今天用户能够通过手机、音箱去获得互 联网上的内容，有一些可以给 C 端用户用起来的东西，促进了技术的良性 循环发展。
Q6:深度学习出来之后的确是解锁了很多方法，提供了一个完全不一样的 思路，但是另外一方面，是不是也透支了很多过去的积累?
鄢志杰:这种担心很有必要。
上一个问题的回答里，或许还要加一个“开源”，这也是推动技术发展的 重要力量。开源带来一个问题，就是现在很多新一代研究者很容易通过开 源站到一定的高度上去，但这带来的也许是个副作用——当初应该练的那 些“童子功”可能就直接跳过了，研究者有可能不知道那个东西是怎么来 的了。
其实任何一个算法应用都有一个核心(Core)，但现在少有人去做了，大家都在上面去不停地去包装——少有人去做巨人，但大家都愿意站在巨人 的肩膀上。
还有一些老的研究方向，也许它的理论有更漂亮的地方，但是因为在现阶 段确实不如神经网络的这一套理论流行、应用效果更好，可能就会被慢慢 遗忘，“武林秘籍”可能就失传了。我不确定最终结果会怎么样，但回看 过去，在深度学习火起来之前，神经网络的研究也经历过类似阶段，那个 时候是别的统计建模框架明显好于神经网络，那个时候写神经网络的论文 不少都会被拒。
Q7:过去几年你觉得智能语音领域发生的最了不起的进步是什么?
鄢志杰:深度学习就是最了不起的进步。如果从 2010 年左右语音和深度学 习结合的那一波技术爆发开始看，最近几年可能算是平台期，但严格地说， 从技术上讲，过去的十年是少有的、持续进步的十年。
以前技术都是阶跃性的进步，或者叫脉冲式的进步，差不多一个脉冲以后 又要沉寂 10 年左右的时间。但近 10 年来确实是持续在进步的，虽然都在 深度学习的大框架下，但是基本上两三年会有一个大的模型升级。
现在的平台期我会把它形容为:虽然技术发展持续上升了 10 年，但是离我 们解锁下一个关键场景还有很长的距离。也就是说，技术发展的斜率还不够陡峭。
Q8:你在阿里巴巴的工作状态是什么样的?偏研究还是偏落地?
鄢志杰:严格地说，我是在探索高技术如何产生高价值的路径。
世界上有很多是单纯的高价值的事情，比如有人开玩笑说小龙虾产业的规 模曾经很长一段时间都是超过云计算的。同样，世界上也有很多纯的高技术， 包括很多基础性的技术，例如数学研究。
我认为达摩院的定位是要找到同时满足这两个条件的事情，这是第一个难点。
第二个难点是在一个中国的高科技公司做这件事情，这是一种绝无仅有的 体验。达摩院跟传统意义上西方高科技公司做研究院不一样，跟政府资助 的大学和科研院所又不一样，所有这些事情是没有人干过的。
Q9:到目前为止，这个体系进展如何?哪些地方比较满意，哪些地方问题 还比较大?
鄢志杰:满意的地方，我觉得是在语音品类上。通过我们自己做研究，再做 内部的应用来构建完善这些技术，然后再把这些技术变成产品放到阿里云 上，对外输出给别的行业。我把这部分叫做“中场”，这是比较满意的部分。
为什么叫“中场”，这是我的一个“前中后场”的理论，与足球有关。
足球有个最大的特点:射门 10 次可能只进一次，这是和篮球很大的不同。 这就像极了真正探索性的研究，就是说可能要承受 90% 的失败，然后有一 次能够成功。我就把它比喻为“前场”，真正的探索式的创新出现在前场， 通过不断保持冲击，孕育好多颗种子，最终少数一些种子能够长出来。
而“中场”就是保持这样的冲击力的基础，创新不可能突然出现，孕育种 子就得有土壤。最简单的例子是，当我有一个创新想法的时候，到底是三 缺一的去干，还是一缺三的去干，这是个很重要的问题。
当一缺三的时候，基本上这个创新很难有效的发生;而三缺一的时候，项 目就有点希望，这里“三”就来源于中场的积累，比如今天我们要去做一 个产品，发现要用到语音的某一个技术、视觉的某一个技术，而达摩院在“中 场”已经有很成熟的一些积累，马上就可以为我所用，这个时候就能站在 他们的肩膀上做相应的事情。
“后场”就是真正的发动机，在达摩院里就是比较偏纯研究的团队，研究 的探索性风险极高，“中场”也要保护“后场”，使“后场”能有一个稳 定良好的环境去长期投入研究。
我现在精力主要投入在“如何让大家有效地形成一个体系”这件事上，研 究反而变成兴趣了，但我依然特别享受跟“后场”的同学在一起讨论的时间。
Q10:这个分类很创新，那对中场这些人的要求是什么?
鄢志杰:举个例子来说，AI 平台类的东西，主要就是由“中场”的人来做的， 它本质上就是把 AI 的能力变成所有人可以“开箱即用”的一种能力，然后 帮助别人去做他们的事情。比如，有人就拿着达摩院人脸识别的技术去做 考勤机，有人拿着达摩院语音的技术去做客服系统等等。
