來(lái)，與機(jī)器人“嘮嗑”

智能機(jī)器人如何與人溝通？簡(jiǎn)單的指令輸入早已不能滿(mǎn)足這個(gè)快節(jié)奏的社會(huì)，如果能夠語(yǔ)音操作該有多好。但是現(xiàn)在大部分智能機(jī)器人對(duì)于語(yǔ)言的識(shí)別與回應(yīng)并不盡如人意。不過(guò)近日，在美國(guó)舊金山舉行的第四屆國(guó)際多通道語(yǔ)音分離和識(shí)別大賽，來(lái)自科大訊飛的中國(guó)參賽團(tuán)隊(duì)通過(guò)完成六麥克風(fēng)、雙麥克風(fēng)和單麥克風(fēng)場(chǎng)景下的語(yǔ)音分離和英文識(shí)別任務(wù)，最終奪冠。目前，這項(xiàng)技術(shù)應(yīng)用在了名為AIUI的人機(jī)交互解決方案上。

與機(jī)器人對(duì)話(huà)

語(yǔ)音識(shí)別技術(shù)，小到手機(jī)指令大到智能家居控制都有所體現(xiàn)，這讓生活變得更加便捷。但這并非語(yǔ)音識(shí)別的終極目標(biāo)。如果在噪音環(huán)境下，多個(gè)人給同一個(gè)智能機(jī)器人下了命令，那么后者應(yīng)該聽(tīng)誰(shuí)的，又應(yīng)該如何應(yīng)對(duì)呢？國(guó)際多通道語(yǔ)音分離和識(shí)別大賽比的就是如何解決這一類(lèi)問(wèn)題。

若想弄明白多通道語(yǔ)音，先明白語(yǔ)音識(shí)別的概念。首先，語(yǔ)音識(shí)別是指從語(yǔ)音到文本的轉(zhuǎn)換，也就是讓機(jī)器能夠聽(tīng)懂人說(shuō)的話(huà)。這其中包括兩層意思，一是指把用戶(hù)所說(shuō)的話(huà)逐詞逐句轉(zhuǎn)換成文本；二是指正確理解語(yǔ)音中所包含的要求，作出正確的應(yīng)答。這其中，語(yǔ)音語(yǔ)言學(xué)、信號(hào)處理、模式識(shí)別、概率論和信息論、發(fā)聲機(jī)理和聽(tīng)覺(jué)機(jī)理、人工智能的交叉學(xué)科，是中文信息處理領(lǐng)域的一項(xiàng)前沿技術(shù)，解決的主要問(wèn)題就是如何將文字信息轉(zhuǎn)化為可聽(tīng)的聲音信息。

智能機(jī)器人對(duì)于人的語(yǔ)音的處理，與人類(lèi)自身理解完全不同，它們先將連續(xù)的句子分解為詞、音素等單位，在理解語(yǔ)義規(guī)則的基礎(chǔ)上讀取其中的含義。如果說(shuō)話(huà)的主體語(yǔ)音模糊或者口音較重時(shí)，智能機(jī)器人若沒(méi)有設(shè)置過(guò)相關(guān)的規(guī)則，則無(wú)法識(shí)別。甚至一個(gè)人在認(rèn)真說(shuō)話(huà)與隨意說(shuō)話(huà)時(shí)的語(yǔ)調(diào)在智能機(jī)器人聽(tīng)起來(lái)都有區(qū)別。再加上采集聲音時(shí)周?chē)h(huán)境的噪聲等，都會(huì)對(duì)機(jī)器人產(chǎn)生干擾，進(jìn)而導(dǎo)致語(yǔ)音識(shí)別的誤差率增加。而多通道語(yǔ)音識(shí)別是指，通過(guò)多個(gè)麥克風(fēng)采集聲源，再用麥克風(fēng)陣列技術(shù)進(jìn)行降噪之后，語(yǔ)音識(shí)別將會(huì)更加精確。

科大訊飛AIUI研發(fā)總監(jiān)趙艷軍在接受采訪(fǎng)時(shí)介紹說(shuō)，AIUI同時(shí)擁有的回聲消除、置信度判決、連續(xù)語(yǔ)音解密等技術(shù)，人可以在任何時(shí)候?qū)C(jī)器進(jìn)行打斷發(fā)出需求，AIUI在遠(yuǎn)場(chǎng)識(shí)別方面支持3～5米的識(shí)別距離，識(shí)別率達(dá)到90%?！癆IUI還支持方言識(shí)別，全雙工交互，以及自動(dòng)糾錯(cuò)的功能。同時(shí)，用戶(hù)在和機(jī)器交流的時(shí)候發(fā)出的非相關(guān)語(yǔ)音，機(jī)器可以有效拒識(shí)。”趙艷軍說(shuō)。

AIUI是目前世界上正在開(kāi)發(fā)的人機(jī)交互解決方案之一。作為未來(lái)智能機(jī)器人的主流配置之一，商業(yè)化的語(yǔ)音交互平臺(tái)也是不少I(mǎi)T巨頭的研發(fā)重點(diǎn)。比如微軟的Speech API，是微軟推出的包含語(yǔ)音識(shí)別（SR）和語(yǔ)音合成（SS）引擎的應(yīng)用編程接口（API），依托Windows平臺(tái)，可以朗讀英文、中文、日文等。另外一個(gè)巨頭是IBM，它是較早開(kāi)始進(jìn)行語(yǔ)音識(shí)別方面研究的機(jī)構(gòu)之一，1984年，IBM發(fā)布的語(yǔ)音識(shí)別系統(tǒng)在5000個(gè)詞匯量級(jí)上達(dá)到了95%的識(shí)別率。

自然流暢的交互體驗(yàn)

在之前公布的一段視頻中，幾個(gè)人給一個(gè)搭載了AIUI的機(jī)器人半成品下達(dá)不同的命令，先是搜索歌曲，再來(lái)問(wèn)天氣，然后訂機(jī)票，之后還有人要求機(jī)器人搜索一首歌手與歌名完全不符的歌曲。雖然只是半成品，但是視頻中的機(jī)器人不緊不慢地“接招”，還“毫不客氣”地指出歌名與歌手信息有誤，并善意地提醒是否要重新搜索。

“準(zhǔn)確的反應(yīng)歸結(jié)于硬件與軟件的不斷更新。”趙艷軍回應(yīng)道。首先要克服的是交互環(huán)境的復(fù)雜性，比如用戶(hù)交互時(shí)各類(lèi)的噪聲、多樣的口音，以及其他不可預(yù)知的干擾因素。其次，就是AIUI識(shí)別平臺(tái)中既長(zhǎng)又復(fù)雜的研發(fā)鏈路，從前端的麥克風(fēng)陣列技術(shù)到后端的語(yǔ)音喚醒、語(yǔ)義理解等服務(wù)，需要各組的人員協(xié)調(diào)、配合、溝通、合作，“這對(duì)整個(gè)項(xiàng)目團(tuán)隊(duì)的要求是很高的?！?/p>

在硬件方面，AIUI也從之前的4+1麥克風(fēng)陣列到最新的6+0麥克風(fēng)陣列，讓其聲源定位、回聲消除、噪聲抑制等能力不斷增強(qiáng)，可以從容應(yīng)對(duì)各種復(fù)雜的環(huán)境。“后續(xù)我們將持續(xù)優(yōu)化和完善AIUI，進(jìn)一步提升效果。如提高遠(yuǎn)場(chǎng)識(shí)別的識(shí)別率，增加方言識(shí)別的自適性，提高語(yǔ)義理解的能力等，使得AIUI的體驗(yàn)越來(lái)越完美?！壁w艷軍說(shuō)。

智能生活更進(jìn)一步

語(yǔ)音交互技術(shù)的進(jìn)步并不是孤立呈現(xiàn)的，它在智能機(jī)器人與人類(lèi)溝通功能的提升中所作的貢獻(xiàn)功不可沒(méi)。這一貢獻(xiàn)體現(xiàn)在智能設(shè)備適用人群范圍擴(kuò)大以及領(lǐng)域拓寬。比如，隨著智能設(shè)備和網(wǎng)絡(luò)的普及，越來(lái)越多的老齡人群、低齡人群、身體殘障人群使用智能設(shè)備。對(duì)于這些人群，觸控的交互方式并不方便，語(yǔ)音交互則突破了年齡障礙。甚至，有人曾經(jīng)預(yù)測(cè)，語(yǔ)音交互可能會(huì)成為繼搜索引擎、瀏覽器、智能手機(jī)OS之后，第四代的入口。

同時(shí)，依托云技術(shù)以及大數(shù)據(jù)的發(fā)展，智能語(yǔ)音技術(shù)的迭代和優(yōu)化速度也在加快。智能機(jī)器人、智能車(chē)載、智能家電等領(lǐng)域的多款產(chǎn)品都可以依托這一技術(shù)。

在不遠(yuǎn)的未來(lái)，你可以在家中僅通過(guò)語(yǔ)音控制家里的一切設(shè)備，不僅可以打開(kāi)空調(diào)、關(guān)閉臺(tái)燈，還可以不必走到窗前就將窗簾打開(kāi)、關(guān)閉。而智能機(jī)器人對(duì)于你的回應(yīng)也不再是簡(jiǎn)單的詞匯，它兼顧著音樂(lè)播放器、搜索引擎、出行幫手等多重功能，甚至在你無(wú)聊時(shí)還能陪你聊天?！拔磥?lái)，語(yǔ)音交互、語(yǔ)音識(shí)別系統(tǒng)在人機(jī)交互領(lǐng)域，面向機(jī)器人、智能家居等行業(yè)都將進(jìn)行全面的推廣，為人工智能時(shí)代奠定人機(jī)交互的新標(biāo)準(zhǔn)。而在訊飛開(kāi)放平臺(tái)上的各種設(shè)備和服務(wù)都可以根據(jù)這個(gè)統(tǒng)一標(biāo)準(zhǔn)，實(shí)現(xiàn)互聯(lián)互通、相互分享和支持，推動(dòng)第三方開(kāi)發(fā)生態(tài)圈的構(gòu)建。”趙艷軍表示。