为了语音的清晰，很多产品都有着降噪功能，或者有着针对某个方面的降噪工具。本文介绍了针对线上会议降噪的工具Krisp，并从Krisp整个公司的创立、产品技术和发展历程等方面剖析了这款产品，一起来看看吧。
最近，看到了一个有趣的降噪工具Krisp，针对线上会议降噪这个特别微小又刚需的点切入，取得了不错的成绩。同时这个产品也引发了很多人的关注和讨论：有关产品的形态、功能和未来，以及在中国是否存在同样的机会？
本文就尝试从Krisp整个公司的创立、产品技术和发展历程等方面来剖析这款产品，来探寻Krisp是如何打造出自己独特的PLG飞轮，并实现超过2000%年营收增长的。
本文目录：
- 公司介绍
- 产品介绍
- PLG分析
- 未来发展和潜在风险
- 关键要点
2017年，Krisp的创始人Davit Baghdasaryan还在Twilio做产品安全的负责人，而他朋友，另一位联合创始人Arto Minasyan则是一位数学博士。当时，Baghdasaryan发现在Twilio进行线上会议时，繁杂的背景噪音带来了很大的困扰。他认为这是一个人人都可能遇到的痛点，并想到机器学习可能是一个潜在的解决方案，于是他们联合起来成立了新的公司2Hz，并有了随后Krisp的诞生。
根据Crunchbase的数据显示，Krisp在2018年6月份拿到了Shanda Group和Sierra Ventures领投的总计350万美元的种子轮，随后经过2年的发展，特别是在疫情期间，用户和营收都实现了飞速增长。
从数据上看，得益于2020年远程工作的大趋势，Krisp的活跃用户增长了20倍，企业账户增长了23倍，ARR增长了13倍，从绝对数值上看，Krisp已经拥有了1200 的付费企业用户和数百万美金的ARR。
这一增速也使得其在2020年8月Sierra Ventures和Storm Ventures领投的总计500万美元的Pre-A轮，并在短短几个月后的2021年2月份，拿到了RTP Global领投的总计900万美元的A轮，也就是说整个A轮融资达到了1400万美元。但这对于一个有着数千企业客户，营收实现了超2000%年增长的公司来说，还是一个相对保守的数字。
按照他们创始人Baghdasaryan去年二月份的说法，他们原定于在去年年底，ARR达到1500万美元时进行B轮融资，但似乎截止到目前为止还没有最新一轮的融资消息传出。
值得一提的是，Krisp并不只是位于美国，他们在亚美尼亚也有很多团队成员。两位创始人都来自亚美尼亚，他们在当地组建了一个数十人的研究团队，包含数学、物理和工程师背景的成员。
同时他们在官网也表明自己是一个Remote-first（远程优先）的公司，这也是在后疫情时代不可避免的新趋势，越来越多的公司相信世界级的人才并不仅仅只是在加州、纽约或者其他科技中心城市，他们会分布在世界各地等待着人们去发掘。这也预示着远程沟通是一个逐步发展，前景巨大的市场。
Krisp的降噪原理概括起来很简单，就是通过机器学习来识别出人声，砍掉其他声音信号，从而实现降噪。在最初，创始人Baghdasaryan想要做一个针对移动网络的降噪处理解决方案，售卖给T-Mobile这些移动运营商，但事实证明这种方式太慢了，于是他们决定做一款直接面向消费者的应用。
Krisp首先发布的是Mac版的APP，支持同时修改输入和输出的声音信号，所有的处理都是在本地进行，因此延迟非常小，也无需担心数据安全和隐私问题。此外，由于是系统（OS）层的声音处理，因此只要是运行在系统上的APP都可以享受到Krisp处理后的音频效果。
为什么会选择首先发布Mac版呢？Krisp团队认为这款产品的早期采纳者（early-adopter）的用户画像跟苹果生态用户是重合的。当然，随后不久他们也发布了Windows版本。
在关于早期用户画像上，Baghdasaryan认为游戏玩家也是主要的类型，特别是针对PUBG这一类型的游戏，他们特别需要清晰的通话质量来确保游戏中的团队协作。
很对人可能第一反应是为什么他们不去找芯片厂商，把这个作为底层硬件植入到手机或者电脑的音频处理器上。但Krisp团队认为这种方式太慢并且限制太大，同时在当时（2017年），软件市场空间更大，并且没有真正意义上强有力的竞争者，因此进入门槛也更低。
据创始人Baghdasaryan介绍，在当时很多的降噪解决方案都需要多个麦克风，并且都需要靠近麦克风说话才能实现降噪，但对于Krisp来说则没有这些要求。只需要一个麦克风，并且可以在任意位置都能实现输入和输出音频的降噪功能。
Krisp核心想解决的是Noise Suppression（噪音抑制）的问题，什么是噪音抑制呢？简单来说就是消除对话双方或多方的背景噪音，这跟ANC（Active Noise Cancellation主动噪音消除）消除进入到人耳中的噪音问题不一样。
传统的噪音抑制目前已经被广泛应用于终端电子设备，比如我们最常用的手机。这一技术利用在不同位置的多个麦克风来捕捉人声，通过计算不同位置人声音量的差别，从而实现清晰的语音效果。但这种技术有很大的局限性，比如当人不说话的时候，就没办法判断人声位置，所有麦克风接受的都是环境噪音，或者是在跑步时，距离在不停变换，情况就会很复杂。
随后出现了DSP（Digital SIgnal Processing数字信号处理）算法，通过逐帧处理音频，分辨人声和噪音，并加以适应来实现降噪的效果。但这种方式对处理日常环境中多变的噪音依旧有很大的局限性，通常来说噪音可以分为Stationary（静止的）和Non-Stationary（非静止的）两种。
传统DSP算法可以很好地处理静止的噪音，但对于一些跟人声相似，或者非常短促的声音（键盘敲击声、警报声等）则效果不大。
而Krisp则是基于深度学习来实现降噪，有关这方面的的基础原理来自于2015年的《A regression approach to speech enhancement based on deep neural networks》这篇Paper，这里提到了一种regression方法，通过学习产生每个音频的Ratio Mask，做出来的Ration Mask保留了人声，并删除了多余的噪音。
随着时间推移，这个算法也在不断完善，但主要的底层逻辑就是以下三个步骤：首先是将干净的语音和噪音混合，生成带噪音的人声大数据集，然后将这些数据集喂给DNN（Deep Neural Networks深度神经网络）输入端，然后在输出端则是喂对应干净的人声，最后生成一个过滤了噪音，同时保留了人声的Mask。
当前，Krisp已经可以支持双向降噪、回声消除、声音消除和背景替换等功能，同时还提供一系列有利于视频会议的实用小功能，比如计时器和音量提示等，此外还加入了数据分析功能，比如参会时间、噪音持续时间、参与度等等。
