从万物静默到声情并茂：百度输入法的AI发声计划

当我们讨论AI的时候，常常会将注意力放在人类未来、城市发展、经济动能等等宏大叙事上，却往往忽略了很多日常细节中AI带来的变化。比如，输入法。

输入法早已充斥在我们生活的每一个角落，如同一双虚拟的手，为每一个人延展出恢弘多彩的网络世界。

而输入法所连接的每一条评论、每一次对话、每一段博文，都或多或少有着可以被AI所改变的地方。

在今天看来，更好的智能输入法，意味着更清晰的用户剪影，更顺滑的使用体验，也意味着更多流量和交互入口，正在技术帝国中发挥越来越重要的作用。

百度高级副总裁王海峰

如今，各大输入法厂商都在暗自发力，希望掌握更强大的智能输入技术。今天刚刚亮相的百度输入法AI探索版，就把全语音引入了输入法，让我们看到了一场值得思考的输入法技术进阶感官实验。

在探讨百度输入法AI探索版之前，有必要先梳理一下，AI对输入法的改变到底能在哪些维度进行渗透。

比如我们能感受到，输入法行业之怪现象，就是我们能在网上冲浪的各个环节看到输入法工作的身影，而且每个头部产品的用户体量都不小，可仔细一想，却集体面目模糊，很少有明显的差异化，更不用提让人产生改变世界的兴奋感。

这样一个超级流量入口，在渠道成本持续增长的今天，是厂商们必须努力刷出存在感的必争之地。不能再依靠用户惯性混吃等死，但那些长期存在于全行业的问题并不能以常规方式克服：

比如文本输入，存在着输入效率低、词汇联想错误率高、功能个性化不足等种种问题，很难满足用户的体验需求。尤其是在大量老年人、儿童、残障人士涌入互联网之后，文本输入的弊端越来越清晰地显现出来。

这种情况下，我们希望语音输入承担起更多的工具角色，却又受困于识别准确率、NLP技术瓶颈的限制，需要投入很大的技术研发资源，决定了只能是少数硬核技术玩家的舞台。

另外，网络交互场景也前所未有地碎片化。比如儿童既有查阅资料的需求，也有游戏交流、视频直播的需求，如何同时满足不同人群多样化的交互场景且稳定可靠，非常有挑战性。

总的来说，输入法可以说是互联网世界的一面镜子，各种用户各种需求的痛点和问题在这里被集中投射出来。那么要刷出存在感的路径也就很清晰了，做出让绝大多数人能够无学习成本、多场景耦合的输入法产品。

要做到这一点当然很难，但幸好技术的发展也带来了很多命运的礼物，比如说——AI。

死磕AI的百度，这次在输入法上的体验革命，堪称决绝。最清晰地体现在，这是国内首款默认全语音输入的产品，并且把表情、肢体等互动与虚拟世界相连接，形成了一种颠覆式的交互方式。

在畅想中，用语音这种最为简单、老少皆宜的方式进行输入，无疑是学习门槛最低、群体包容性最高的方式。但在现实中，很少有厂商能够如此大刀阔斧孤注一掷。

从这个角度来看，百度输入法AI探索版，无疑为AI交互技术在输入法领域的应用打造了一个独一无二的“样板间”，让AI的作用清晰地跃然眼前。

首先是语音技术上，百度的流式截断多层注意力建模（SMLTA），解决了传统Attention模型在识别中的时延性问题，成为网络大规模在线语音实时交互的现实基础支撑。百度输入法在线语音准确率依然好于最优竞品15%。

而在一些网络连续性不太强的地方，比如海外旅游、电梯地铁隧道等离线场景中，百度持续优化的Deep Peak 2系统，也能实现精准的语音输入，高于行业平均水平35%。

AI在语音方面的另外一个比较重要的能力，就是识别算法对语音特征的精准细分。基于此，百度输入法AI探索版轻松carry中英文混杂、花式普通话、中英方言口音等障碍，大大降低了“五环外人口”网上冲浪的难度，成为目前唯一实现了高精度“中英自由说”和“方言自由说”的输入法产品。

另一个AI带来的突破，在于全感官的交互成为可能。网络已经成为复杂的社交功能载体，除了文字交流之外，还可能涉及直播、虚拟人像等新玩法。但在传统输入法中，这些需求几乎很难被满足。除了硬件上的诸多限制，更多需要人脸识别、图像分割、神经迁移一类的技术。百度就结合AI技术，得到了新的解决方案，推出了拍立活、秀场、凌空手写等新功能玩法。

比如可以让宠物或偶像照片，结合用户自己的动作做出相同的表情；或者是让用户自由穿越各种虚拟场景，打破次元壁；凌空手写如同隔空打怪，在空中书写也能被流畅识别，据说目前整体识别率已达到大规模应用的要求，不失为一种新的装逼神器。

AI在产业端登场之后，我们已经见证了它在众多领域提升效率的传奇故事。从百度“第一个吃螃蟹”推行全语音的举措来看，一旦冲破识别精度和语义理解的技术瓶颈，语音输入就可以凭借绝佳的技术普适性，从“常年辅助”变成“最强王者”。而在这背后，AI作为胜负手，是毋庸置疑的。