基于智能語音助手的桌面懸浮App的設計及研究

鐘璐榕，許哲昊，胡芳雨，喬子怡，黃光莉

摘要：智能語音的發(fā)展被不斷推進，語音助手作為其主流成果備受關(guān)注，人機交互讓人們真切地體會到了科技的飛速發(fā)展。由于社會的快節(jié)奏生活，陪伴成了一個不可忽視的問題，不論是青年人還是老人都渴望獲得陪伴，那么運用人工智能來協(xié)調(diào)這個問題，在一定程度上能夠滿足人們的需要。對智能語音助手的發(fā)展現(xiàn)狀和問題進行分析，基于智能語音助手 、RAP+AI等技術(shù)概念，提出此桌面懸浮App產(chǎn)品的設計和研究。

關(guān)鍵詞：智能語音助手；AI；桌面懸浮App設計

中圖分類號：TP18? ? ? 文獻標識碼：A

文章編號：1009-3044（2022）35-0050-03

1 引言

隨著時代和科技的高速發(fā)展，人們對手機的依靠性越來越強，同時人們越來越缺乏面對面的溝通和交流，而智能語音助手更好的服務和陪伴受到人們的期待?？紤]到青年人和老年人是社會的重要群體，因而設計出一款實用性強、操作便捷且能夠滿足于學生、白領和老年人群體的軟件產(chǎn)品將能夠擁有廣闊的市場發(fā)展前景。該文通過查閱相關(guān)文獻資料和期刊及關(guān)注時事新聞等方法來了解AI技術(shù)和智能語音助手的發(fā)展、軟件設計及其開發(fā)的流程，從而更加充分地探討桌面懸浮App的設計與研究。

2 智能語音助手的發(fā)展和分析

2.1 國外發(fā)展研究

1966年，科學家約瑟夫·魏森鮑姆開發(fā)了最早的聊天機器人系統(tǒng)——ELISA，該系統(tǒng)首次應用于醫(yī)學領域。之后相繼有許多科學家和學者紛紛投入聊天機器人系統(tǒng)的研究。目前各大廠商紛紛布局人工智能的市場，如微軟的Cortanna、亞馬遜（Alexa）、谷歌助手（Google）和蘋果語音助手（Siri）。

2.2 國內(nèi)發(fā)展研究

因缺乏理論知識和技術(shù)以及創(chuàng)新能力的不足，我國在人工智能領域的發(fā)展較晚，面臨挑戰(zhàn)是不可避免的。近年來，隨著快速的科技發(fā)展，在聊天機器人的研究方面我國取得了很大的進展。繼微軟發(fā)布的聊天機器人小冰受到人們的關(guān)注，之后其他各具特色的機器人相繼而出，如阿里巴巴等大型企業(yè)。這些企業(yè)的發(fā)展為機器人領域積累了一定的技術(shù)和產(chǎn)品[[1]]。

2.3 分析

目前智能語音助手的研究仍有不足，正是這些不足為語音助手的發(fā)展指明了方向。

1）技術(shù)方面的限制

技術(shù)人才的缺乏已嚴重制約了我國智能語音助手的開展。一是人工智能技術(shù)還處在相對早期的階段，二是缺乏有效的交際模型。這兩方面的技術(shù)缺陷在用戶的實際使用過程中體現(xiàn)在語音識別錯誤較多，意圖識別準確率較低，多輪對話準確率較差。結(jié)果上，用戶對于智能語音助手類的產(chǎn)品抱有很高的期待，但最終的使用效果往往令他們感到失望。

2）可靠性有待提高

在外界嘈雜環(huán)境中，計算機很難準確捕捉到有效信息，這極大程度上限制了語音識別技術(shù)的應用范圍。另外人們在日常生活中，說話時的語言習慣也是顯而易見的，如明顯的地域口音、頻繁重復或者是倒裝、有時使用錯誤的語法，這些語言習慣對于標準式的語音助手會很難準確識別。因此，語音智能識別技術(shù)的可靠性有待逐步提高。

3）詞匯量有待豐富

若使用者想利用語句數(shù)據(jù)庫之外的詞匯或者突然從一種語言轉(zhuǎn)換為另一種語言時，用戶可能會得到輸入錯誤的提示。因此，需要逐步創(chuàng)新的系統(tǒng)建模、逐步提高的各種技術(shù)方法以及逐步開發(fā)的相關(guān)資源，語音智能識別系統(tǒng)才能夠?qū)Χ喾N語言進行準確地識別。

3 理論和概念框架

3.1 理論

1）基于深度學習的語音識別技術(shù)

語音識別技術(shù)被應用到各大行業(yè)領域，智能語音帶動了技術(shù)和產(chǎn)品的創(chuàng)新。目前智能語音識別助手主要以卷積神經(jīng)網(wǎng)絡（CNN）、門控循環(huán)單元（GRU）、雙向循環(huán)神經(jīng)網(wǎng)絡（Bi-RNN）三種聲學模型為核心。

此桌面懸浮App基于深度學習的語音識別技術(shù)實現(xiàn)信號處理與特征提取。

2）智能語音助手的應用

智能語音助手系統(tǒng)框架：用戶通過聲音方式所錄入的信息均轉(zhuǎn)化為文本形式，交由自然語言處理系統(tǒng)加以管理。語音輸入主要依賴于語音識別技術(shù)，關(guān)系到特征提取方法、模型匹配規(guī)則以及模型訓練方法。在自然語言處理功能中包含使用意向分析、使用情感分析、具識分析以及自然語言處理等技術(shù)。會話管理模塊進行會話決策，是整個系統(tǒng)的核心技術(shù)所在，包括了說話行為識別、說話狀態(tài)追蹤、說話信息記錄以及決策優(yōu)化等技術(shù)。目前，語音助手的對話生成技術(shù)主要有檢索式、生成式和深度學習[[2]]。該系統(tǒng)框架如圖1所示。

在構(gòu)建智能語音助手系統(tǒng)時，采用多種技術(shù)融合構(gòu)建，目前主流技術(shù)構(gòu)建包括基于檢索、人工模板和深度學習的聊天機器人。

智能語音助手的評價標準與評測方法：對于人機對話功能的評價，主要包括了NIPS、ASTC、SMP2017-ECDT，評價標準為全球通用的平均排序倒數(shù)MRR（Mean Reciprocal Rank）、準確率P（Precision）、信賴加權(quán)評分CWS（Confidence Weighted Score）、召回率R（Recall）和F-MEASURE（F）[[3]]。

3）基于AI個性化語音生成技術(shù)制作語音包

基于AI語音生成技術(shù)制定個性化的語音包。通過錄制目標說話人的少量語句，構(gòu)建一個較完整的韻律和頻譜模型。利用頻譜信息的轉(zhuǎn)換，可保留錄入者的原聲色，通過語音樣本的訓練，映射規(guī)則由條件和操作組成，獲得映射規(guī)則可以更進一步對發(fā)音者的特征進行轉(zhuǎn)變。而利用分類與回歸樹（CART）可實現(xiàn)韻律轉(zhuǎn)換。建立一個源語庫和一個目標語料庫之間的映射關(guān)系，最后合成系統(tǒng)即可獲得具有個性化的聲音。

4）語料庫的優(yōu)化

將RPA+AI與Python相結(jié)合，進行深度學習，實現(xiàn)自然語言處理NLP，進行文本分詞、實體抽取、情感傾向分析和文本相似度分析等應用來優(yōu)化語料庫[[4]]。

5）懸浮球的設計

通過Electron接入API實現(xiàn)懸浮球功能，將App設計為可懸浮在手機桌面上。

3.2 概念框架

利用檢索與生成深度融合的對話技術(shù)來搭建語音助手，利用RPA+AI技術(shù)進行富集數(shù)據(jù)資源，提取指定業(yè)務場景數(shù)據(jù)，將抽象的相關(guān)數(shù)據(jù)整合到對話日志中，合理使用官方數(shù)據(jù)庫，通過第三方工具實現(xiàn)搭建系統(tǒng)的訓練、評估和調(diào)優(yōu)。將搭建好的語言模型通過工程化操作完成系統(tǒng)接入到App中，語音助手通過對技能統(tǒng)一調(diào)度，實現(xiàn)多種對話服務，同時接入的還有通用模塊，后臺管理采取人機協(xié)作的模式，來為用戶提供更好的服務。

在統(tǒng)計中查看人機互動的溝通情況，根據(jù)統(tǒng)計結(jié)果對客服工作策略進行調(diào)整，甚至對市場宣傳的側(cè)重點進行進一步調(diào)整。全面了解本語音助手與用戶的溝通反應，并通過對用戶數(shù)據(jù)進行沉淀，甚至建立對話漏斗，層層追蹤數(shù)據(jù)的質(zhì)量，由此來改善語音助手與用戶之間的溝通模式。并充分利用通話過程中的對話日志，將對話模型的對話結(jié)果和用戶在整個通話流程中的糾正和回應加以完善，從而完成通話過程的循環(huán)生命周期。

4 產(chǎn)品的設計

4.1 界面設計

考慮到產(chǎn)品定位人群為青年人和老年人以及本產(chǎn)品提供的功能服務，在主界面設計中遵行簡潔、實用又美觀的原則進行設計。在字體上應用大字體，讓用戶在視覺上眼球一新，同時更適合老年用戶使用，讓老年人用戶感受到關(guān)懷。在主界面中間顯示語音助手“寵物”，并在四周各懸浮一個組件，分為“陪伴”“生活”“我的”“辦公”四個模塊。

用戶進入App后，點擊“陪伴”，軟件即在設備后臺運行，進入“寵物”懸浮模式懸浮在手機桌面，在不占用手機桌面的情況下，能與用戶進行語音聊天互動。在“生活”模塊，具有綁定智能設備的功能，能夠?qū)χ悄茉O備的運行狀態(tài)進行操控。在“我的”模塊設有“寵物切換”，用戶可自定義“寵物”形象、“積分區(qū)”“登錄或退出”“語音包”。在“寵物切換”即有多種外形的“智能助手”可供用戶選擇，此外形設計將不斷更新。在“積分區(qū)”即可進行積分兌換相應商品，積分來源將在后文描述。在“辦公”模塊具有備忘錄，日程安排，任務計劃三個組件，此模塊的使用可根據(jù)用戶的語音設置進行信息錄入。

4.2 外觀設計

“寵物”外觀上采取中國文化元素的提取并在此基礎上進行創(chuàng)新設計，如“身著漢服的觀音”“下象棋的大熊貓”“學漢字的石獅”“穿繡花鞋的大熊貓”“丹鳳眼的鯉魚”“插在彩陶里的牡丹”等各種各樣的“懸浮寵物”。設計遵循中國傳統(tǒng)藝術(shù)的審美，融合具有中國特色的多個元素，展示令人眼前一新的視覺沖擊，給予用戶更好的使用體驗。

4.3 功能設計

1）“智能陪聊”功能

此產(chǎn)品可與用戶進行語音聊天，在語音開發(fā)上，錄取多種大自然的聲音作為背景聲，聲線上可多種變化，具有不同語言溝通能力。在聊天過程中，“懸浮寵物”可呈動態(tài)模式，增加用戶的體驗感。與市場上的語音聊天相比，用戶能夠在后臺運行“陪聊”，即不局限于在App內(nèi)才可“聊天”。

2）語音包功能

利用AI合成技術(shù)，可錄入語音轉(zhuǎn)換為語音包，隨時可聽到遠在他方的親人的聲音。軟件配有語音包制作的語音操作提醒，讓不擅長使用智能設備的老年人也能夠迅速上手。

3）綁定智能設備

與智能設備相關(guān)聯(lián)即可對設備的工作狀態(tài)進行設置。

4）提醒功能

產(chǎn)品有備忘錄和日程的語音提醒功能，更加體貼地為用戶提供優(yōu)質(zhì)的服務。

5）推薦功能

每日有專業(yè)的醫(yī)護人員進行“健康醫(yī)學知識宣傳”推送，還可以根據(jù)用戶的個性需要，推送“每日名人勵志一句”“穿衣推薦”“生活小技巧推薦”“趣味小知識推薦”等內(nèi)容。

6）其他功能

在完成當天自己制定的任務時可累積一定積分。且在一天中對語音助手說出“今天是美好的一天”可累計1積分。相應經(jīng)驗值可在積分區(qū)兌換對應獎品。另具有自定義語音喚醒功能。

4.4 產(chǎn)品運行設計

1）服務器端

編寫接口協(xié)議文檔和API接口，使用阿里云服務器架設服務器環(huán)境，設計數(shù)據(jù)庫。

2）App端

頁面開發(fā)根據(jù)UI設計圖完成，設計完成后對接服務器界面，通過服務入口獲取數(shù)據(jù)，最后寫出服務邏輯編碼，通過軟件界面測試，完成系統(tǒng)聯(lián)動。

3）Web管理端

后端的功能必須和最前端的業(yè)務邏輯相符，寫出邏輯代碼并完成測試調(diào)試，在軟件功能開發(fā)完成后，還應調(diào)動小組內(nèi)的各技術(shù)人員完成系統(tǒng)性測試。

4）嵌入式系統(tǒng)設計

程序開發(fā)基于Android平臺，采用Java語言開發(fā)軟件，利用互聯(lián)網(wǎng)和服務實現(xiàn)頁面跳轉(zhuǎn)，使用SQLite和Shareference實現(xiàn)數(shù)據(jù)存儲，然后集成產(chǎn)品界面、界面控制和測試，接下來進行測試[[5]]。后端管理模塊的操作采取人機協(xié)作的模式進行運行。

5）應用RPA+AI創(chuàng)建自動化機器人進行自動化運行管理

應用RPA+AI創(chuàng)建自動化機器人進行發(fā)送信息、搜集客戶資料等工作，來實行自動化運行管理，在一定程度上節(jié)省了人力時間、降低了出錯風險、擴大了人員工作邊界。

5 討論

5.1 對語音助手發(fā)展的建議

1）由于缺乏大規(guī)模的訓練數(shù)據(jù)，嘗試應用機器人與機器人交互來創(chuàng)建訓練。不僅節(jié)省人力和時間，也能夠達到訓練機器人的目的。順應了將來機器人大規(guī)模進入人類生活的景象。

2）目前沒有統(tǒng)一的機器人評價標準，需要相關(guān)專業(yè)人員提出規(guī)范。不僅能夠確保機器人的安全發(fā)展，也能夠為機器人相關(guān)專業(yè)研究者提供更多規(guī)范的操作，在一定程度上減輕了人們對人工智能發(fā)展的擔憂。

3）進一步完善語音助手，提高技術(shù)水平，優(yōu)化語音助手識別準確率，必要時可以開發(fā)用戶調(diào)教的平臺，完善基礎功能，增強對于復雜指令的識別和執(zhí)行能力。此過程將會是智能語音助手的一個跨越式進步。這個基于人工智能技術(shù)的先進發(fā)展，將更加促進國家對人工智能的相關(guān)專業(yè)人員的大力發(fā)展。

4）借助人機協(xié)同創(chuàng)新的理念實現(xiàn)智能語音的跨越式發(fā)展。

5.2 局限和不足

由于缺乏資金支持，目前項目設計與研究還處于基礎理論階段。因?qū)τ嬎銠C的研究不夠深入，缺乏有深度的見解，本文仍存在許多不足之處，還需要不斷深入學習和認真研究該項目領域。

由于經(jīng)費緊張，目前研究仍處于初步階段，經(jīng)過一定的學習和探討對此項目進行研究，但在許多地方的研究仍有許多不足，且軟件開發(fā)設計多個領域的同步進行和發(fā)展，想要開發(fā)出一款能夠真正滿足人們生活需要的軟件需要巨大的投資和精力，僅僅依靠團隊微弱的人力無法實施開發(fā)。

6 結(jié)束語

近年來，人工智能獲得前所未有的發(fā)展，其相應的技術(shù)也獲得了不同程度的創(chuàng)新，以語音作為切入口的新時代將推進商業(yè)模式的新發(fā)展?；谥悄苷Z音助手的桌面懸浮App也將在一定程度上豐富不同人群的生活。而在語音識別自然語言、語料庫、AI合成技術(shù)和深度學習等方面仍需專業(yè)的科研工作者進行不斷探索。將來定能夠擁有新的人機交互模式，實現(xiàn)人機協(xié)同創(chuàng)新。

參考文獻：

[1] 甘玉玨，蘇軍根，林健，等.智能語音產(chǎn)品現(xiàn)狀及展望[J].廣東通信技術(shù)，2017，37（12）：66-68.

[2] 張琬，劉春蕾，郭欣然，等.會話代理在精神障礙病人中的應用進展[J].護理研究，2021，35（24）：4437-4441.

[3] 王浩暢，李斌.聊天機器人系統(tǒng)研究進展[J].計算機應用與軟件，2018，35（12）：1-6，89.

[4] 劉旭東，蘇馬婧，朱廣宇.基于自然語言處理的多源情報分析系統(tǒng)的研究與設計[J].信息技術(shù)與網(wǎng)絡安全，2019，38（5）：17-21.

[5] 劉星晨，陳樂生，胡果，等.基于深度學習的挑選禮物App設計與實現(xiàn)[J].物聯(lián)網(wǎng)技術(shù)，2020，10（7）：48-50.

【通聯(lián)編輯：謝媛媛】