智东西（公众号：zhidxcom）

　　文 | 四月

　　导语：两年前，阿里里巴的两位员工先后离职，一位转入IDG做投资，一位白手起家创业。基于此前的认同与信任，转入IDG的同事为说服董事会投资后者，甚至愿意以个人名义投资。

　　两年后，二者的决意和一意孤行在今天初见成果——Rokid（中文名为“若琪”）蛋形机器人终于落地。而前文里提到的故事主角，分别是IDG现任副总裁楼军，以及Rokid创始人兼CEOMisa。近日，智东西与Rokid的主创团队、背后的重要投资者进行对话，共同梳理了近两年团队与产品的重要进展，其间的一些有趣故事也得以展现。

　　从阿里离职，如何拿到前同事的投资和持续信赖。自诩“流浪汉”的Misa在投资人眼中有着怎样的靠谱和不靠谱？沉寂两年打磨的这款“蛋形灯”凭什么能成为机器人，体验和设计有何独到之处？此前颇为低调的Misa和Rokid将在下面的故事中更加具体。

　　一、Rokid和智能音箱不一样

　　先见其产品，再谈团队。

　　从外形结构上看，很难对Rokid进行准确定义。她基本由三部分构成，一扇DLP（Digital Light Processing，数字光处理技术）投影曲面屏，前置摄像头，一套设有麦克风和音响的底座。蛋形的主体配以托盘底座的结构很新颖。

　　在功能方面，Rokid最初具备声纹、面部和动作识别等智能化功能。据现场工作人员介绍，最后落地产品中，摄像头并没有加入面部、动作识别的功能，仅作为视频对话或拍照使用。但保留有声纹识别功能。

　　此外，Rokid可实时感知外界声音和灯光，可语音控制家中的智能电器。具备远场语音识别功能，最大范围为8-10米。基于深度学习技术，Rokid可针对用户定制音乐、电台等音频内容进行智能化推送，与用户进行多轮对话和个性化内容交流。

　　Rokid团队在近两年的工作，“主要就是产品的边界和技术融合进行打磨”，Misa说道。据他介绍，因为结构和设计的创新衍生出许多新兴的技术问题，很难找到成熟的技术能够直接解决，需要团队一个一个攻破。比较典型的包括，底座大面积的音箱震动如何不干扰麦克风工作，针对家庭使用场景的语音内容优化，远场识别的噪音与信号处理等。

　　Rokid底座上分布有八个高灵敏度的麦克风阵列，负责寻声采集和声纹识别。记者现场体验，2-3米内可清晰识别命令。据工作人员介绍，最远识别距离可达到8-10米。

　　之所以称Rokid的造型优雅，主要在于其独特的投影曲面设计，在暗环境下效果很出众。Rokid采用的DLP技术与微型投影基本相同，但与曲面屏结合后形成了独有的美感，很适合摆放家中。对此，Misa颇为自豪地介绍，“Rokid采用的DLP显示方案已经被TI列为经典案例，听说模仿者已经不少”。

　　底座采用音箱和麦克风相连的设计，据Misa介绍，原有设计中，atv，音箱工作时将产生剧烈的震动会影响麦克风等零部件的工作。最终的解决方案是通过调整机械设计，将震动尽量控制在水平方向，保证垂直方向的震动很小。

　　此外，据Misa介绍，要实现语音的远场识别，团队在识别算法和噪音信号处理进行了诸多优化。在实际使用场景中，Rokid还需要将语音、语义的理解与用户习惯结合理解。Misa将其定义为“技术边界的打磨”。

　　比如，用户下达播放《Let It Go》的命令，机器可能识别到中文曲库里的《癞皮狗》。“两者在声学相似度的打分很接近”，Misa介绍，这时就需要结合对用户使用习惯的深度学习进行判断。

　　在技术层面上，Misa表示并不是全权包揽，“比如，视频通讯、自由聊天采用的就是外包技术。但在麦克风阵列、识音技术、语义识别等，比较关键的技术是自己做”，其主要原因在于，要实现技术的融合，单纯依靠第三方，合作深度和节奏上都无法保证。

　　在与Misa针对技术的交流中，他多次强调“边界融合”二字。他认为，各类技术间的边界融合是与同类产品拉开距离的最好方式。“在单点的技术上实现突破，离准确率可能只差1—2%；但产品中的技术如果没有做好融合，误差叠加后被放大可能是10%以上的误差率”。

　　二、两年打磨 产品满意度达到85%