要跟機器說上話，總共分幾步？

小雨又來襲TSG 2020-07-04

展開全文

智能語音交互是基于語音輸入的新一代交互模式，通過說話就可以得到反饋結(jié)果?？梢岳斫鉃槿祟惻c機器間通過自然語言完成信息傳遞的技術(shù)。

語音交互的完整流程，如下圖所示。

通常，根據(jù)距離遠近語音交互場景可分為兩種：

近場語音場景：通常通過按鍵激活，例如智能手機等便攜設(shè)備。
遠場語音場景：通常通過喚醒詞激活，例如智能音箱等固定設(shè)備。

遠場語音場景下，在產(chǎn)品策略上通常會采取兩種方案，以提高喚醒的準(zhǔn)確率：

將喚醒詞的音節(jié)長度增加到4音節(jié)。這是因為音節(jié)越長，喚醒的準(zhǔn)確率就會越高。比如：“小興小興”的喚醒準(zhǔn)確率遠高于“小興”。

白天只對喚醒詞做本地校驗，夜間則再增加云端二次校驗。這是喚醒速度和準(zhǔn)確率間的平衡策略。

白天用戶更看重響應(yīng)速度，發(fā)生偶爾的誤喚醒用戶能理解或接受，這時候僅由本地的喚醒檢測模塊進行快速檢測，保證 700 ms 內(nèi)快速響應(yīng)用戶。
晚上睡覺時用戶對誤喚醒是零容忍的，這時候就要偏重喚醒的準(zhǔn)確度，將本地檢測過的語音上傳到云端進行二次確認，再決定本地是否響應(yīng)。

語音識別階段的主要作用是采集用于語音，并將語音轉(zhuǎn)換為文字，該階段主要做兩件事情：

1. 尋向降噪。

尋向的作用就是判斷用戶方向，由用戶方向的麥克風(fēng)采集語音數(shù)據(jù)，保證語音的數(shù)據(jù)是最清晰的。降噪是對環(huán)境音進行消除，提高識別準(zhǔn)確率。

2. 識別語音并轉(zhuǎn)換成文字。

為提高特定內(nèi)容的識別率，一般都會提供熱詞服務(wù)，配置的熱詞內(nèi)容實時生效，并且會提升 ASR 結(jié)果的識別權(quán)重，在一定程度上提高 ASR 識別的準(zhǔn)確率。

語義理解就是嘗試?yán)斫馊祟惖恼Z言，即把語音識別的結(jié)果轉(zhuǎn)成結(jié)構(gòu)化的、機器能夠理解的語言。

NLU 的工作邏輯是將用戶的指令進行 Domain（領(lǐng)域）→Intent（意圖）→Slot（詞槽）三級拆分。

例如：“設(shè)置一個明早 8 點的鬧鐘”這樣一條指令，經(jīng)過 NLU 處理，用戶的指令則被拆分為如下三級：

領(lǐng)域：“鬧鐘”
意圖：“設(shè)置鬧鐘”
詞槽：“明早8點”

先決策。機器在對話過程中不斷根據(jù)當(dāng)前的狀態(tài)決策下一步應(yīng)該采取的最優(yōu)動作。
再執(zhí)行。如提供結(jié)果，詢問特定限制條件，澄清或確認需求，調(diào)用各種 Skill 技能（AI 時代的 APP），從而最有效的輔助用戶完成信息或服務(wù)的獲取。

NLG 的主要目的是降低人類和機器之間的溝通鴻溝，將非語言格式的數(shù)據(jù)轉(zhuǎn)換成人類可以理解的語言格式。簡單的 NLG 可以將數(shù)據(jù)進行合并處理，而高級的 NLG 則可以理解數(shù)據(jù)想要表達的意圖，并考慮上下文，呈現(xiàn)出可以輕松閱讀的內(nèi)容。

目前在一些有比較明顯規(guī)則的領(lǐng)域中，比如體育新聞，已經(jīng)可以借助 NLG 進行新聞的自動發(fā)布了。也許你現(xiàn)在正在看的一篇文章就是由機器生成的~

將文字內(nèi)容轉(zhuǎn)換成語音輸出，讓機器跟我們對話。這涉及到兩個過程：