你應該看過那個視頻吧：有人跑到蘋果店裡大喊一聲「嘿，Siri」，一瞬間幾十上百個Siri齊聲「在呢，什麼事」，那環繞立體聲效堪比杜比全景聲！
幹這事的人無疑是為了搞笑，但也無形中戲謔了一把所謂人工智慧語音助手的一個不足，那就是必須要喊喚醒詞才能進行對話或下達指令。需要喚醒詞喚醒的語音助手們，似乎成了天經地義，但這事現在就被顛覆了。
9月17日，天貓精靈在雲棲大會發布了首個全場景人機交流系統AliGenie 5.0，首次將人臉喚醒、唇動喚醒、手勢操控、語音交互等多種形態的交互方式融合在一起。
簡單地說就是，我不需要再喊一聲「天貓精靈」，直接就能跟機器對話了，有時候做減法比做加法更難，AliGenie 5.0省掉的這一步對於人機互動來說是革命性的。
多模態喚醒首次大規模應用落地
AliGenie升級到5.0後，將唇動、手勢、語音語義等多種形態的交互信息融合在一起，這也就是人機互動領域常說的多模態。
模態，雖然不是我們的日常用語，但從字面意思上其實很容易理解。正如我們有視覺、聽覺、嗅覺和觸覺等，傳遞出的信息就有視頻、圖像、語音、手勢、姿態等，每種形式可以稱作一種模態。
多模態融合的人機互動一直是人工智慧研究的熱門領域，但此前更多停留在學術研究層面。而AliGenie 5.0系統已同步落地到天貓精靈今年的三款秋季新品上：天貓精靈CC10電池版家庭智慧屏（以下簡稱CC10電池版），天貓精靈CC MINI智能時鐘屏以及IN糖2智能時鐘音箱。其中，CC10電池版將率先上線多模態喚醒功能，並在10月中旬逐步升級覆蓋CC帶屏系列產品。
這是多模態喚醒首次大規模應用在消費電子產品上，不管是對阿里公司，還是整個人機互動技術領域來說，它都具有重要意義。這或許也意味著，很快你對手機、智能音箱乃至整個智能家居發號施令的方式要全面變革了。
當然，變革的前提是，天貓精靈AliGenie 5.0系統所帶來的多模態喚醒體驗像它們宣稱的那樣好。我已對CC10電池版搭載的多模態喚醒功能體驗了一段時間，可以說它確實刷新了我對智能音箱這類產品的使用認知，這種感受不能說是顛覆性，卻新穎又熟悉。
就像在跟身旁同事說話
新穎和熟悉本是兩個矛盾的詞，但用在CC10電池版的交互體驗上很合適。之所以說新穎是因為，居然我不需要先喊一聲「天貓精靈」，它就能直接回應我。
舉個例子，我平時把CC10電池版放在辦公桌一側，寫稿子時想要聽歌了，把頭一轉向它，左下角的天貓精靈便提示「已人臉喚醒，我正在聽……」，幾乎就是同時，我對它說「播放音樂」，然後就開始放歌了，整個過程就像跟旁邊工位的同事對話一樣，根本不需要多費口舌喊聲「天貓精靈」。
這也是我說它「熟悉」的原因，你想想和它對話就跟旁邊同事聊天一樣，自然的交流，能不熟悉嗎？
升級到AliGenie5.0後，CC10電池版還支持多種手勢隔空操控，比如對屏幕豎大拇指就能收藏當前播放內容，做個「噓」的手勢，就可以馬上讓天貓精靈靜音，這種很「擬人化」的交流方式讓交互感受更順暢了。
使用過程中我還發現，從側過臉到講出指令，或者舉手做「噓」的手勢，到CC10電池版接收指令做出反應，中間並沒有太多等待時間，整個響應過程是一氣呵成的，這當中也離不開多模態喚醒的作用。
據介紹，天貓精靈的算法專家通過融合視覺識別能力、語音識別能力以及上下文語義，把視覺和語音信息通過深度學習的方式進行融合然後輸入到機器「大腦」，進而做出綜合性決策，讓機器「能聽、會看」。
也就是說，開啟多模態喚醒功能後，在盯著機器張嘴說話時，天貓精靈會自動識別出我的唇動、眼神朝向、表情動作，接收語音信息的同時就能直接給出對應的反饋了。
使用CC10電池版的時候，我也發現，如果我對著CC10電池版時沒有講話，而旁邊的同事在講話，它也不會被誤喚醒，因為這時機器接收到的聲音和圖像信息沒有匹配。而當我在說話的時候，它接收到我的嘴唇動作和聲音是匹配的信息，就會被喚醒並識別指令。
我們在對未來人工智慧的暢想中，並不希望看到喚醒-接受指令這種機械的方式，而是全面「擬人化」的交流。當不需要再喊出「天貓精靈」的喚醒詞，就能跟CC10電池版自然交互時，我發現這個智能助手是真的懂我了。
讓每個人無差別享受AI
根據天貓精靈數據，在家庭生活場景下，結合人臉、唇動喚醒和語音自然對話，多模態識別的準確率超過99%。從CC10電池版在我辦公桌旁的這段時間來看，近距離的唇動喚醒成功率是很高的，即使是人聲更嘈雜的辦公室環境，它也沒有被其他人的語音誤喚醒的情況出現。
事實上，多模態喚醒相比單一的語音喚醒詞能夠更好降低誤喚醒率。在各家智能助手發展的過程中，為了語音喚醒成功率這個指標，算法會把語音感知的靈敏度調整得很高。過高的靈敏度很容易捕捉到漢語裡某些發音相似的音節，因此哪怕是一家人日常閒聊，電視裡播放新聞，乃至三更半夜時，音箱裡的語音助手們都可能突然說話，讓人莫名其妙。
在免喚醒的對話情景下，天貓精靈需要融合嘴唇、語音的動態信息識別，能夠幫助機器過濾掉90%以上的環境背景幹擾信息，反而能夠做到比特定的喚醒詞更高的準確率，同時大大降低誤喚醒率。
唇動喚醒的方式也是此次天貓精靈AliGenie 5.0系統的首創，先提取人講話時的唇動關鍵特徵點，經過唇動的分析，當圖像序列和音頻序列能成功匹配時，繼而結合上下文語義綜合判斷出用戶與機器對話的行為意圖，最終喚醒設備。
搭載AliGenie 5.0的CC10電池版，根據生活中常見的「近場、中場、遠場」三類人機互動情景，可以綜合調動多種交互信息來確認我們的交流意圖。近場也就是1米左右的交互情景下，唇動喚醒無疑是最自然的。1-1.5米左右的中場距離下，模擬人們打招呼的形式，對著機器揮手說話即可喚醒，此時也不需要喊出「天貓精靈」。
更遠距離時，直接通過「天貓精靈」喚醒詞下指令也是最擬人化的體驗，未來，天貓精靈還將利用聲紋識別技術來辨別聲音來源的方向、位置，讓語音喚醒的反饋更精準。雖然真實生活場景中，還會受到人臉距離、光線等因素的影響，但AliGenie 5.0在人機互動上無疑已開始一段新的徵程。
有了多模態識別的能力，經過一段時間的訓練，未來人工智慧助手能把人和聲音及聲音方向、手勢動作都「對號入座」，在一個家庭空間中，可以真正認識、分辨出每一位家庭成員，熟知每個人的生活習慣和喜好，並且在任一位置都能與家庭成員自然交流，它與理想中的未來智能助手的樣子已越來越接近了。
許多科幻電影描繪的未來生活，人工智慧化身成一個不折不扣的管家，不再是被動的接受命令，而是通過用戶的私人喜好與定製化需求主動提供服務。這個過程的建立就是通過自然語言的交流實現的，之所以它看起來如此美好，正是因為自然交流對於人來說幾乎沒有學習成本。
家庭裡的成員構成複雜多樣，與機器的自然交流還意味著它可以讓所有人無差別使用最新技術。語音對話、唇動喚醒、眼神手勢交流融合的自然交互方式，意味著在技術層面，降低了人們觸達前沿科技的門檻。
網購、行動支付、網約車、外賣，還有人人都離不開的健康碼，技術讓許多人生活變得越來越便利，但有的人卻因為種種原因無法享受到，這不是人或者技術的錯，在改變的過程中，技術需要輔助人們適應變化，而不是跟人對立起來，造成所謂的「淘汰」。
天貓精靈AliGenie 5.0將多模態喚醒的落地，其實就是做了一件看起來簡單但偉大的事：用跟人一樣打交道的模式，為更多人提供前沿科技帶來的便利，讓每個人無差別享受AI。