便捷式售貨智能語音交互系統(tǒng)的設(shè)計與實現(xiàn)

王秀旭，李川鵬，王耀福

（中國汽車技術(shù)研究中心有限公司，天津 300300）

引言

隨著居民生活水平的逐漸提高，以及科學(xué)技術(shù)的飛速發(fā)展，終端商品銷售渠道向無人化趨勢發(fā)展；其中無人售貨機器將成為推動終端“新零售”的主力軍，用戶作為無人零售機器的終端用戶，用戶體驗的便捷性、高效性直接關(guān)系到零售機器產(chǎn)品本身的銷量和零售機器貨物的銷售額，傳統(tǒng)零售機器的控制主要采用手動觸摸顯示屏，在觸摸屏上選擇購買的商品，電機結(jié)算，然后選擇支付方式（刷臉支付或二維碼支付），最后支付完成。對于智能化高度發(fā)展的今天，普通的點觸方式已不能滿足消費者的需求，在零售過程中如何更智能、更便捷地操作，成為亟需解決的問題，同時也影響著消費者的用戶體驗。

隨著智能語音識別技術(shù)的發(fā)展，語音識別率的逐漸增加，智能語音技術(shù)在智能家居場景開始不斷應(yīng)用，在智能語音零售機器的產(chǎn)品已成為未來的發(fā)展趨勢，也將在未來市場中占有更高的市場保有率。本文將以智能零售控制技術(shù)為基礎(chǔ)，結(jié)合智能語音識別技術(shù)，進行數(shù)據(jù)的嵌入融合，對智能語音控制系統(tǒng)進行設(shè)計，實現(xiàn)零售機器可通過語音完成商品的無接觸購買，使得消費者擁有更便捷、高效的交互體驗。

1 設(shè)計方案

1.1 系統(tǒng)設(shè)計和功能設(shè)計

系統(tǒng)包括軟件和硬件系統(tǒng)，系統(tǒng)操作軟件將在Linux平臺下，運用語音識別技術(shù)和零售控制技術(shù)，實現(xiàn)零售的智能語音控制。包括嵌入式（Linux）軟件平臺、語音識別處理平臺、通訊技術(shù)、硬件平臺（Cortex-A7），實現(xiàn)零售機器的智能控制?？傮w設(shè)計如圖1所示。

圖1 總體設(shè)計

嵌入式（Linux）軟件平臺包括語音識別處理APP、零售控制平臺和無線通信處理模塊，實現(xiàn)語音識別算法處理、語義分析處理、零售控制邏輯處理以及遠程控制等功能。語音識別處理平臺通過云知聲識別模塊，實現(xiàn)系統(tǒng)的語音喚醒、語音識別和語音合成。硬件平臺（Cortex-A7）包括處理器模塊、MIC語音輸入、Speaker語音輸入、顯示模塊、通信模塊組成，實現(xiàn)語音采集、輸出及通信控制[1]。系統(tǒng)主要實現(xiàn)以下功能：

（1）實現(xiàn)語音控制零售機器開機和關(guān)機；

（2）實現(xiàn)語音選擇商品的種類、數(shù)量；

（3）實現(xiàn)語音選擇商品支付方式，并可刷臉支付；

（4）實現(xiàn)智能語音對話，天氣查詢、地理信息查詢等技能。

1.2 硬件設(shè)計

在上述功能需求下，以及軟件的要求，對市場中各硬件模塊組件進行調(diào)研，篩查包括語音交互模塊、處理器模塊、顯示模塊、通訊模塊等并對其進行分析：

（1）語音交互模塊：對市場中語音設(shè)備進行分析，語音硬件設(shè)備將選用同心雙環(huán)陣列布局，根據(jù)同心雙環(huán)特點車身外殼進行了對應(yīng)的出音孔設(shè)計，最遠可實現(xiàn)4米語音識別，識別率在95%以上；并配備有一個智能擴音器，同時受自身和外界雜音干擾小。

（2）處理器模塊：對比分析后選用 Cortex-A7內(nèi)核的RK3308處理器，四核、主芯片內(nèi)置音頻CODEC和ADC，為滿足支持多喚醒詞和命令詞，選用64M內(nèi)存和256M滿足計算和存儲要求，整體硬件系統(tǒng)支持多種喚醒詞，可滿足用戶正常的零售商品購買需求[2][3]。

（3）顯示模塊：選用高精度一體式工業(yè)顯示屏，通過觸屏可實現(xiàn)控制零售機器開啟、關(guān)閉、購買、宣傳等信息；語音購買流程的顯示，以及下一步的提示都會在顯示屏中呈現(xiàn)。

（4）通訊模塊：本系統(tǒng)通過總線與零售機器進行通訊，依據(jù)兩芯雙絞線實現(xiàn)無極性通信及供電，不用另外布置線束供電。

1.3 軟件設(shè)計

語音識別與零售機器控制軟件：可以實現(xiàn)語音接收、語音的智能識別和智能語音播報，語音識別和零售機器控制之間建立通訊連接，并在一個服務(wù)器下運行，根據(jù)特定的串口信號通信。語音識別模塊可通過串口將控制命令發(fā)送給零售機器控制板上，售賣機器控制板根據(jù)語音識別模塊發(fā)送的控制命令，對語音進行識別解析處理，將需要播放顯示的提示內(nèi)容發(fā)送到工業(yè)顯示模塊中，同時發(fā)送給語音識別模塊，語音識別模塊對需要播報的內(nèi)容進行在智能擴音器上播報。

語音模塊和顯示屏中購買APP都是由無線通訊組成，實現(xiàn)在線語音識別時，與人的交互以及與服務(wù)器的交互，語音識別 APP將識別的語音字段發(fā)送到服務(wù)器進行語義分析和識別，語義服務(wù)器將識別結(jié)果反饋到語音開發(fā)板中，通過與零售機器的通訊連接，將實現(xiàn)對售賣APP的智能控制，從而可實現(xiàn)通過語音選擇商品種類和數(shù)量，并可完成移動支付（刷臉支付），從而實現(xiàn)無接觸式商品購買。

1.4 語音識別模塊

整體采用云端語音識別技術(shù)，加入內(nèi)置算法組件，可實現(xiàn)在無網(wǎng)離線狀態(tài)下進行語音識別，通過無線連接可同云端語義服務(wù)器實現(xiàn)在線語音識別服務(wù)。語音接收模塊可通過語音引擎中的回聲消除、抑制混響、空域濾波等處理技術(shù)，將雜亂聲音過濾掉，實現(xiàn)對清晰語音的獲??；在通過語音識別和語義理解，實現(xiàn)自然語言命令的解析，并通過語音合成技術(shù)，實現(xiàn)對操作軟件中的命令指令的控制處理。

實現(xiàn)語音購買商品的目標，為提高不同環(huán)境、不同人員、不同發(fā)音、非特定距離等情況下的識別效果要求，對語音模塊進行了多喚醒詞設(shè)計、隱含命令詞設(shè)計、多領(lǐng)域設(shè)計。多喚醒詞設(shè)計主要針對不同的使用對象，可突出不同的主體，本系統(tǒng)喚醒詞分別為：小智小智、小美小美、小虎小虎等；隱含命令詞設(shè)計最主要方便用戶交互溝通，無需對固定話語進行死記硬背，通過識別特定命令詞的固定組合并可支持擴展隱含命令詞的使用，通過不同組合、不同順序、相近含義的命令詞設(shè)計，可很大程度減輕用戶的記憶壓力，同時提高用戶體驗；多級喚醒設(shè)計；多知識領(lǐng)域設(shè)計針對零售機器涉筆的使用性能，識別中增加了天氣預(yù)報、在線/離線音樂、熱點新聞、交通限行咨詢等，滿足用戶日常生活咨詢需求，增加語音交互服務(wù)體驗感。

2 系統(tǒng)測試與驗證

根據(jù)語音識別功能的使用環(huán)境和性能要求，選擇在安靜和有雜音環(huán)境兩種不同環(huán)境下進行測試。選取男聲和女聲不同音色，對喚醒率和識別率兩個指標進行了實測，在1米距離內(nèi)分別選擇了100個男聲和100個女聲，男聲和女聲主要選擇了16至55歲區(qū)間的年輕主力消費群體，通過實測男聲和女聲對喚醒率和識別率基本一致，受影響程度可忽略不計，最終平均喚醒率為 99.5%，平均識別率為 99.3%，整體性能較為穩(wěn)定。另外又對這100人（50男聲和50女聲）在安靜和有雜音兩種環(huán)境下同系統(tǒng)設(shè)備的相對識別距離進行測試，最終在4米以內(nèi)識別率可達95%以上，4-5米之間識別率在80%左右，5-6米之間識別率在50%左右，6米以上識別率在20%以下。上述測試都是在同一分貝音量下進行的，當聲音分貝增大時，喚醒率和識別率整體略有增加；當聲音分貝減輕時，喚醒率和識別率整體略有減少。

3 結(jié)論

本系統(tǒng)通過語音識別技術(shù)、嵌入式、通訊技術(shù)，將終端零售機器的控制與語音應(yīng)用相結(jié)合，實現(xiàn)了零售機器產(chǎn)品語音智能控制。本方法將商品終端售賣方式做到了全程語音交互、無接觸式使用體驗，實現(xiàn)正常距離內(nèi)自然語音下95%以上識別率的效果，目前該系統(tǒng)以搭載到智能售賣車中性能穩(wěn)定、體驗良好。相信隨著智能家居和物聯(lián)網(wǎng)應(yīng)用場景下的不斷成熟，語音識別技術(shù)、AI技術(shù)和通信技術(shù)的不斷進步，智能終端售貨機器的語音控制系統(tǒng)將會不斷更新優(yōu)化，用戶體驗更加人性化，實現(xiàn)更高效、便捷、友好的交互體驗[4]。