智能音箱的硬件和一些生态内容，都已经搞定了，就差一个智能的软件了。

要说智能音箱，智能才是他的心脏部位。

但是智能这个词语，听起来很简单，无非就是两个字，但是做起来却是“蜀道难，难于上青天。”这种感觉。

就拿那个唤醒词来说吧，林奇决定要把那个唤醒词去掉，可是研究了很久，还没有研究到去掉唤醒词的地步。

因为在第一步的时候就被束缚了手脚，那就是语音识别。

近些年来人工智能里面的机器学习发展的很是厉害，尤其是机器学习中的深度学习。

深度学习利用的是大于3层的神经络来学习，有输入层，输出层，中间还有很多隐藏层。

只需要把大量的数据提供过来，输入给写好的程序，运行一段时间之后，就会计算出来一个模型。

输入的数据越多，运算的次数越多，一般情况下得出来的结果也越好。但是这里面还有一个需要注意的就是不能太依赖于输入的数据了，否则会出现过拟合的现象。

过拟合就是在给定的数据中，让程序来预测某些结果，它能达到很高的准确性，比如99999，但是到了通用的数据下，这个模型表现的就很差，可能只有的准确性。

林奇开始的时候也是利用了深度多层神经络来进行训练语音样本的，因为现在市面上最流行的就是种方法。

不过别的公司能采用这种是因为他们有很多的音频资料，并且都是用户自己上传的一些音频素材，比如深信，月活跃量一度超过10亿人，可想而知，每天用它发语音的有多少人，他能收集到多少的语音片段。

再比如寻她、搜猫和可大讯飞，他们三家公司都有自己的输入法，每一个人都说自己的语音识别准确率最高，在手机上用这三种输入法的大有人在，当然虽然在一些环境下用语音输入很是麻烦，但是有一些特定的环境还是很不错的。

所以他们收集到的来自真人的各种场景的语音片段，也是非常丰富的。

像上面的这些公司他们使用深度神经络来训练语音模型，没有任何问题。

但是第二智慧科技没有聊天工具，也没有语音输入法，林奇也想过去这些公司买一些数据，用来训练自己的语音识别库，但是思来想去，还是落了下乘。

第二智慧科技要推出的智能音箱，最主要的一个环节的原料却是从别人那里购买的，虽然没有什么问题，但是林奇总觉得很别扭。

后来林奇也想过去各大站上面爬一些数据，有生物计算机在后面给自己的大力支撑，爬别人的数据，应该很方便。

林奇也真的去这么做了，为了n频率，还特意的n了一些速度。就这样爬了一些数据，但是这些数据拿到手里，林奇发现有一个问题，那就是这些数据很多都是录音棚，或者加工后的数据。

与用户实际生活中，比如在地铁上发的语音，在公交车上发语音，或者在大街上发语音，在家里发语音都不太一样，爬出来的数据很多都没有环境音。

没有环境音本身其实是好的音频，但是对于做语音识别来说这个就非常不合适了，因为做出来的模型不符合人们正常生活，与实际使用场景不符。

那就很尴尬了，就好比你说一个人很厉害，可以用剑杀恶龙，在有恶龙的世界里面，他是当之无愧的英雄。

但是如果他来到了现实生活中，就一事无成。