寶寶起名app 4.4.(能否借助AI破譯嬰兒哭聲？)

寶寶起名什么APP好用？

知命APP好用！

后面孩子出生了起名字肯定還要再來問的！

寶寶取名那個軟件比較好？最好能結合生辰八字起名的APP。

建議你先查一下族譜，因為你要先熟悉一下你家孩子是什么輩分的，然后在找一些算命起名的網站，比如知命APP就挺好的

里面的大師很不錯，可以根據小孩子的八字和五行喜用再結合小孩子的輩分給小朋友起名

能否借助AI破譯嬰兒哭聲？

偶然想到一個場景：借助機器學習精準識別寶寶啼哭的原因。仔細想想，感覺挺有意思。作者沒有AIPM的經驗和算法基礎，希望通過白話描述起到拋磚引玉作用。歡迎大家一起討論，多提建議。

哭鬧是寶寶表達情感和尋求幫助的主要方式，也是一種健康的表現。就像在告訴父母：“我需要你！”如果父母能夠理解寶寶的需求并及時解決，會對寶寶的成長發育很有好處。

現實中的年輕父母有“輔助破譯哭聲”的需求么？翻了翻各種育兒社區，截了幾張圖，大家可以換位思考，自行體會下。

一、簡單調研

1.1 用戶調研

a）父母判斷啼哭原因的準確度

全部正確（22%）：這些父母擁有絕對的自信，幾乎不需要借助工具。通過訪談，我了解到他們能夠準確判斷的主要原因有兩點，經驗豐富+寶寶讓人省心。給他們打個標簽叫“胸有成竹型”，后面會用到。

多數正確（64.2%）：大部分父母處于這種狀態，打動他們需要一定的條件，卓越的用戶體驗是前提，同時要幫助他們提升診斷效率、準確率。給他們打個標簽叫“經常找對型”。

很難找到（13.5%）：有這么多父母面對寶寶啼哭不知所措，這里存在大量的機會可以挖掘。想想吧，中國人口基數這么大，13.5%的數量真的少么？他們的標簽叫“困惑型”。

b）常見的啼哭原因有哪些

覆蓋度：調研中設定的9種原因已經覆蓋了95%的情況，排名最高的6種是饑餓口渴、尿布濕、要抱抱、困了、疾病和疼痛。另有5%的父母選擇了其他原因，包括受到驚嚇、身體被擠壓等，這些原因可以通過一進步的調研來補全。

認知度：家長們認定的啼哭原因不一定符合真實情況。舉個例子，“本能運動”這個選項僅有17%的家長勾選。科學研究表明，任何一位寶寶的都曾因為“本能運動”而啼哭過，這個過程有助于寶寶生理和心理的發育，也是日后語言發育的一種啟蒙。“本能運動”與“要媽咪抱”的解決辦法類似又不完全相同，一個是要逗逗，一個是要抱抱。二者的聲學特征都富有節奏感，前者是響亮而后者是平和。這說明：幫助家長提升育兒認知，可能也是AI破譯的可挖掘點之一。

c）父母對“破譯啼哭APP”的感興趣程度

該問題的條件是APP免費，樣本的反饋完全超出預期：僅有6%的父母表示不會使用，53%的人愿意嘗試，更有41%的人表示一定會使用。

對比幾種類型的父母：不僅“困惑型”，就連“胸有成竹型”和“經常找對型”也對該技術抱有強烈的興趣。是啊，科技不就是幫人們偷懶么，能省點力為啥要繞彎呢？這里的“免費”可能有一定的殺傷力，父母們的真實需求+對新技術的好奇心也發揮著強大作用。

1.2 競品調研

a）模擬聲音類

通過模擬胎兒在母體內聽到的聲音，來安撫寶寶。這類產品的主要作用是安撫情緒，無法解決例如“生病”、“疼痛”、“尿布濕”等情況，治標不治本。

b）嬰語翻譯器

美國、中國臺灣、西班牙、日本都有團隊做過相關研究，程序通過分析哭聲可給出肚子疼、尿布濕、想睡覺等原因。各團隊都聲明可覆蓋95%以上的寶寶哭啼原因、準確度比人提高3倍等，但各團隊找到的原因不一致。此類產品目前未在大陸市場化，APP沒找到可用的，獨立設備倒是有，感興趣的可以搜一下“貝客來嬰兒哭聲分析器”。這類產品已經是AI辯聲的前輩了，其精準度、易用性、市場化均有提升空間。

c）人工智能類

2016年日本First-Ascent公司聲稱推出了一項以人工智能為基礎的技術，可根據嬰兒的哭聲分析原因，并計劃將該技術加入到APP中。我本文寫到90%才看到這條新聞，繼續查閱時發現：它沒實驗數據、沒可用產品、沒有本土化。

比較有趣的是，很多競品是因為程序猿爸爸覺得帶娃困難，才萌生了技術解決的想法。下面就從這幾方面做個淺析：科學合理性、工具定位、語音識別、數據準備、學習模型。

2、科學合理性

拋開那些競品的干擾，推敲一下：【哭聲特征】與【哭的原因】的關聯到底可不可靠？如果二者之間具備真實的相關性，那是否意味著：無論映射邏輯多復雜，我們都有可能用機器學習擬合出預測模型？

2.1 經驗常識

寶寶樹這類育兒社區列舉出大量聽聲音搞定哭鬧的例子，百度經驗中更是詳細列舉了15種哭聲特點、原因以及解決辦法。有經驗的月嫂通過哭聲能快速搞定嬰兒，這些都說明靠聲音特征判斷很可能OK。

2.2 專業研究

學術界對嬰兒哭聲含義的研究并不少，最前沿的甚至聲稱能診斷嬰兒是否患有自閉癥、腦損傷、神經類疾病和早產相關的疾病。我覺得這個方向還是有戲的，值得繼續研究，若感興趣可以搜幾份相關鏈接：

《美研發嬰兒哭聲診斷儀可檢測神經類疾病》

《寶寶的哭聲代表5種心情》

《寶寶哭聲暗藏疾患線索》

《哭聲分析儀，早期發現嬰兒發育障礙》

2.3 綜合判斷

哭聲不是將原因歸類的唯一信號。我們可以將聲音特征做主要線索優先預測一波，再用其他方法輔助判斷。不苛求靠AI搞定100%的問題，只要能搞定一部分，提升解決效率，就可以發揮應用價值。

這與智能手環的綠光測心率的道理類似，光電法的準確度比不上心電信號法（醫療級別），只靠心率也很難預測心腦血管疾病。但手環的天然優勢就是佩戴方便+實時監控+主動提醒。若使用者結合經驗、血壓等指標綜合判斷，就有改善生活習慣、預測風險的可能。這類產品符合早預防、早治療的養生理念，經常能取得較好的市場反饋。

按照綜合按斷的思路，梳理出如下表格，訓練模型就是要預測出其中高亮的“哭聲原因”。

根據查閱的資料，圖中9種哭聲原因的分類未必準確，但至少人類可以感知到細微差異。

上圖描述了一個模擬場景：家長先通過APP鎖定原因范圍，再根據APP的提示觀察嬰兒，給出判斷。像中耳炎這種特殊情況，父母操作過一次，基本就記住識別方法了。這就引出了我對該工具的定位：通過正確判斷+有效提示，幫助父母盡快掌握讀懂寶寶的技能，用完即走不粘人。

3、工具定位

3.1 小工具

“破譯哭聲”還沒到產品設計階段，更像是一個補充工具而非產品。目前各大育兒類應用已經相當成熟，提供了豐富的內容和服務，但一些服務的使用頻次很低。若將“破譯哭聲”也集成進去，不會用力過猛，還可能錦上添花。例如下圖這些就是不錯的入口，寶寶哭的頻次遠遠比打疫苗、起名字這些高，是吧？

3.2 目標人群

經驗少的父母遇，在0-6個月遇到寶寶哭鬧很久不停的情況，會派上用場。6個月后寶寶就適應了周圍的環境，模型預測也逐漸失效，此時的父母已經積累了充足的經驗。西方提倡父母多與寶寶溝通交流，學會讀懂他們的內心，這更像是一種玄學。“讀懂”的能力是父母與孩子的紐帶，會影響雙方一生的情感溝通。所以不鼓勵父母依賴工具，還要幫助爸媽掌握讀懂寶寶的本領。

3.3 擴展性

工具雖小，也有點想象空間。例如為寶寶做個啼哭檔案，記錄每次“哭聲+原因+解決方式”。寶寶長大看到自己的成長日志，就會理解父母把自己拉扯大真心不易。

3.4 產品形態

訪談幾位表示不愿使用的家長，問他們為什么不愿意用這樣一款APP。

一位家長說沒時間，想靠自己溝通情感讀懂寶寶；另一位家長說想不到用APP，他家寶寶特別乖，從未久哭不停。這就涉及到用戶理念、習慣、個體差異的問題了，三言兩語還真說不清楚。

這里我只舉一個例子：小米的小蟻智能攝像頭已經能監控嬰兒哭聲并提醒父母，如果加個分析原因、給出建議的功能并不會突兀，反而很人性化、很精準。總之產品形態不局限于APP，只要內在邏輯科學合理，一定會存在某些交互方案能夠受用戶歡迎。

4、語音識別

考慮到成本等因素，將小工具插入到APP中很適合快速打樣、試錯。這屬于近場語音識別，信噪比較高，不過環境中還是難免有噪音。識別的過程大概分這幾步：

4.1 降噪

對獲取的聲波信號做降噪，排除父母對話、物體碰撞、氣流等噪音。目前市場上已經有成功監測嬰兒哭聲的產品，比如小蟻智能攝像機、三星S5手機內置APP等，識別的過程不會困難。還有些相關的專利可以借鑒，網上一搜一大把。

4.2 過濾

對目標嬰兒與其他嬰兒的信號做區分，這需要采集目標嬰兒的數據，并單獨創建學習模型。

4.4 特征

從信號中抽取出聲學特征讓機器去學習，具體就交給神奇的算法團隊吧。

5、數據準備

5.1 實例設定

每個實例由2部分組成：【啼哭聲】+【結果標識】，監督學習的結果標識是個封閉集合，訓練數據類似下圖。

5.2 樣本標準

聲音信號：錄音聲強＞40分貝，時長為10-15秒，錄音中僅包含1名嬰兒的哭聲。

結果標識：聽到哭聲后，父母采取行動，采集員按照有效的行動來推測1種哭聲原因，記錄下來。

有效行動：父母采取行動后，寶寶在1分鐘內停止哭鬧。或者已找到哭啼原因，需要一段時間解決（例如疾病無法很快治好，醫生可以開具診斷證明）。

寶寶年齡：0-6個月

5.3 樣本采集

采集區域：寶寶密集區，也就是兒科醫院、婦幼保健醫院、月子中心、兒童福利院等。

采集人員：盡可能專業，若現場記錄錯誤的標識，后期修正的難度很大。

考慮體驗：采集過程人性化，不誘導寶寶啼哭，不影響家屬與寶寶的正常生活。

其它參考：臺灣的某團隊聲稱成功采集到10萬+類似樣本，可以借鑒類似的方法或合作。

6、學習模型

我們要在目標集合中準確的預測出分類，采用監督學習。這里不談訓練模型和評估指標，只提兩個簡單的小問題：

6.1 模型應該輸出“哭啼原因”還是“解決方案”？

按通常的思維是用A方案，但直覺告訴我B方案也許可行。B的思路是：先預測新數據的解決方案，再根據符合期望的行動來反推出哭啼的原因。

現實中“啼哭原因”與“解決方案”是多對多的復合因果關系，如果直接取哭聲+有效方案來擬合模型，可能最終效果相同甚至更好。

PS：無論A還是B，只是模型設計的問題，最終給到用戶的體驗是一樣的。

6.2 個性化模型

訓練集與實際數據有差異，多個嬰兒也可能同時啼哭，所以需要給每位嬰兒創建個性化模型。家長們每次修正，都是對模型的訓練，幫助提升預測的效果。

以上就是本篇淺析的主要內容，拋出一個場景的可能性。可衍生的類似場景也不少，未來科學對聲音的研究不會止步于嬰兒，寵物、野生動物等都有可能取得進展。也許有一天我們能通過AI翻譯機與較聰明的動物交流，比如猩猩、海豚和大象。

寫在最后

作者向很多人提過這個idea，感謝朋友們的支持和建議。下筆之前還有點猶豫的，因為作者沒帶過寶寶，無法切身體會那種感受。后來AI產品大本營團長@黃釗 鼓勵我嘗試寫個短篇，我就決定試一試。

這也促使我反復思考一個問題：非科班出身、零AI經驗的PM，怎樣才能有出路？首先要敢想，這是邁出的第一步！

挖需求、挖場景、挖機會！模擬場景做調研，發現問題找方法，而不是跳到工程師賽道上拼算法。等咱們上了船，在實戰中學習理解算法會達到事半功倍的效果。

這是個需要想象力的時代，或許能借助AI搞定過去從未解決的難題。在大數據沒出現的年代，誰也想不到啤酒與尿布濕之間隱藏著驚人的秘密。

有太多場景需要我們去發現，限制我們想象力的不是貧窮，而是勇氣。

世之奇偉瑰怪非常之觀，常在于險遠而人之所罕至，非有志者不能至。任何問題都一定有辦法解決，我們的任務就是找到它，無論這個概率多么微乎其微！

最新评论