語音控制器的標(biāo)準(zhǔn)適用性研究

莊偉瑋 張 馳 孔睿迅 張明珠 許蘊(yùn)盈

（1.廣東中創(chuàng)智家科學(xué)研究有限公司 廣州 510663；2.威凱檢測(cè)技術(shù)有限公司 廣州 510663）

引言

隨著技術(shù)的演進(jìn)和成本的降低，語音控制器的應(yīng)用場(chǎng)景越來越多。傳統(tǒng)家用電器通過安裝語音控制器具備了語音識(shí)別與交互控制功能，提升了用戶體驗(yàn)。作為一類新型控制器，語音控制器其安全和性能日益受到關(guān)注。本文研究現(xiàn)行標(biāo)準(zhǔn)對(duì)語音控制器的適用性，并提出了語音控制器的標(biāo)準(zhǔn)化需求。

1 語音控制器基本工作原理

一般地，語音控制器由麥克風(fēng)，電控板，揚(yáng)聲器等部件組成。

裝有語音控制器的電器設(shè)備通過麥克風(fēng)采集聲音信號(hào)后，傳輸給電控板，利用軟硬件系統(tǒng)將其解析成可供識(shí)別的電信號(hào)，并做出相應(yīng)的操作。

在這個(gè)過程中，語音控制器需要用專門詞匯進(jìn)行“喚醒”（圖1中步驟1），以確定用戶此時(shí)說出的話是對(duì)特定電器設(shè)備而言的。在匹配完聲音信號(hào)，確定用戶是正在對(duì)電器設(shè)備進(jìn)行交互控制之后，通常會(huì)反饋一個(gè)信號(hào)給用戶（圖1中步驟2），提示“喚醒”成功，此時(shí)，用戶就可以開始通過語音發(fā)出實(shí)際控制需求（圖1中步驟3）。

因此，這個(gè)過程可以大體分為兩個(gè)階段：通過喚醒詞“喚醒”語音控制器階段（圖1中步驟1和步驟2）和操作階段（圖1中步驟3和步驟4）。

圖1 語音交互一般流程圖

“喚醒”階段的功能基本比較固定，就是激活語音控制器進(jìn)入操作階段，因此一般都是本地軟硬件離線解析完成即可。在本文中，不考慮通過手動(dòng)按鍵激活等非語音“喚醒”的模式。

在操作階段，若僅是簡(jiǎn)單功能控制（如開關(guān)電源，溫度調(diào)節(jié)等）的語音控制器可繼續(xù)本地軟硬件離線解析即可滿足應(yīng)用需求；但對(duì)于功能豐富的電器設(shè)備，則語音控制器需要通過互聯(lián)網(wǎng)將語音信號(hào)發(fā)送到云端系統(tǒng)，利用云端算法進(jìn)行解析，以實(shí)現(xiàn)復(fù)雜的語義識(shí)別（如自然語言理解，獲取天氣信息等）。

2 基于控制器標(biāo)準(zhǔn)進(jìn)行適用性研究

2.1 “電控制器”定義適用性研究

目前并未有現(xiàn)行國(guó)家標(biāo)準(zhǔn)對(duì)語音控制器進(jìn)行專門要求。

參考GB/T 14536.1-2008《家用和類似用途電自動(dòng)控制器 第1部分：通用要求》中給出的“電控制器”的定義：

“在設(shè)備內(nèi)或與設(shè)備連用的，用于改變?cè)O(shè)備輸出的裝置，它包括激勵(lì)、傳輸和操作三個(gè)部分，其中至少有一個(gè)部分是電的或電子的。”

可將語音控制器與其他類型電子式控制器進(jìn)行簡(jiǎn)要比對(duì)，如表1所示。

表1 不同類型電子控制器的三個(gè)控制部分對(duì)比

可見，語音控制器在功能實(shí)現(xiàn)上符合“電控制器”的定義，并契合常見的控制器類型對(duì)控制器三個(gè)部分的劃分，因此，GB/T 14536.1-2008適用于對(duì)語音控制器的考核。

表1中對(duì)各種電子式控制器的劃分依據(jù)是功能用途，且不同電子式控制器在基本電氣安全方面的要求大同小異，故選取GB/T 14536.1-2008第6.3條款中，根據(jù)用途給出的多種控制器分類，進(jìn)行語音控制器適用類型的進(jìn)一步研究。

狹義上的語音控制器到輸出指令就結(jié)束了，因?yàn)槿鐪囟日{(diào)節(jié)這類功能性控制，都有相應(yīng)的后續(xù)模組（如溫控器）來實(shí)現(xiàn)，所以排除GB/T 14536.1中6.3條款的各種專有功能的分類，如熱切斷器、定時(shí)器、電動(dòng)閥門等，選取“人工控制器”，“敏感控制器”，“操作控制器”三種與語音控制器有關(guān)聯(lián)度的類型進(jìn)行研究。

2.2 “人工控制器”定義適用性研究

對(duì)于“人工控制器”，GB/T 14536.1-2008的2.2.2中的定義為：

“一種由起動(dòng)而激勵(lì)的控制器，其傳輸和操作都是直接完成的，無任何故意的時(shí)間延遲?！?/p>

該定義中有兩個(gè)關(guān)鍵點(diǎn)：

1）要求“激勵(lì)”是由“起動(dòng)”產(chǎn)生；

2）“傳輸”和“操作”不再受其他環(huán)節(jié)控制（如其他環(huán)境因素限制）。

語音控制器在“傳輸”和“操作”時(shí)不再需要對(duì)其他控制因素進(jìn)行判斷，故第2）點(diǎn)符合要求。至于第1）點(diǎn)語音“喚醒”是否可以作為一種“起動(dòng)”的判斷，需要進(jìn)一步研究“起動(dòng)”的定義。

“起動(dòng)”的定義在GB/T 14536.1-2008的2.3.7中給出：

“由使用者以手、腳或其他人為活動(dòng)使控制器的起動(dòng)元件產(chǎn)生的移位。”

姑且認(rèn)為從人口中發(fā)出聲音這一動(dòng)作產(chǎn)生的聲波對(duì)麥克風(fēng)上的振膜產(chǎn)生了移位，從而形成激勵(lì)，因此僅需確認(rèn)麥克風(fēng)及聲學(xué)處理電路是否可以作為 “起動(dòng)元件”。

引用GB/T 14536.1-2008的2.8.3中對(duì)“起動(dòng)元件”的定義為：

“通過人工推、拉、旋轉(zhuǎn)來引起控制器動(dòng)作所需的激勵(lì)的或用于由使用者的設(shè)定的部件?！?/p>

用戶和麥克風(fēng)之間的語音喚醒的動(dòng)作不屬于“推、拉、旋轉(zhuǎn)”，于是需要確認(rèn)語音“喚醒”控制器是否可以屬于“使用者的設(shè)定”。

一般喚醒詞及操作階段的交互用語屬于“控制器制造商的設(shè)定”（GB/T 14536.1 -2008 2.3.18定義），即語音控制器在出廠時(shí)，就由制造商將產(chǎn)品的交互用語音頻特性寫入控制器，或者經(jīng)過數(shù)據(jù)訓(xùn)練后形成特定算法，后期使用中無法經(jīng)由用戶權(quán)限進(jìn)行修改。例外情況是少數(shù)產(chǎn)品的喚醒詞可以由使用者自行設(shè)定喚醒詞，故再研究“設(shè)定”在標(biāo)準(zhǔn)語境中的意義。

根據(jù)GB/T 14536.1-2008的2.3.17對(duì)“設(shè)定”的定義：

“為了選定操作值而對(duì)控制器的部件進(jìn)行的機(jī)械定位?！?/p>

顯然，喚醒詞的設(shè)定是完全由電子電路處理完成的，不涉及“機(jī)械定位”，不能作為一種“設(shè)定”。

因此，各種情況對(duì)照條款定義分析下來，可以得出語音控制器不符合“人工控制器”的定義。

2.3 “敏感控制器”定義適用性研究

對(duì)于“敏感控制器”，GB/T 14536.1-2008的2.2.4中的定義為：

“一種自動(dòng)控制器，其激勵(lì)是通過對(duì)所聲明的特殊起動(dòng)量，這些特殊的起動(dòng)量包括溫度、電流、濕度、光、液位、位置、壓力或速度等一個(gè)敏感的元件來完成的?！?/p>

雖然定義中給出的“起動(dòng)量”示例類型沒有指明聲音，但是聲波的變化與其他所列物理特性的變化是可以相類比的，為了進(jìn)一步確定聲波是否可以作為一種“起動(dòng)量”，需要進(jìn)一步研究它的定義。

“起動(dòng)量”的定義在GB/T 14536.1-2008的2.3.10中給出：

“介質(zhì)的一種可感知其變化或穩(wěn)定的物理特性?！?/p>

語音控制器通過軟硬件對(duì)音頻信號(hào)進(jìn)行一系列處理的過程包含了多種和復(fù)雜的物理特性變化，若將其視作成一種“物理特性”來理解則顯然太過于簡(jiǎn)化與抽象，不能表達(dá)實(shí)際技術(shù)內(nèi)涵。

因此，語音控制器也不符合“敏感控制器”的定義。

2.4 “操作控制器”定義適用性研究

對(duì)于“操作控制器”，GB/T14536.1-2008的2.2.12中的定義為：

“由電氣原動(dòng)機(jī)構(gòu)來實(shí)現(xiàn)傳輸?shù)淖詣?dòng)控制器。在這種控制器中，控制器的操作控制一個(gè)電路且沒有故意的延時(shí)?！?/p>

定義要求“傳輸”需由“原動(dòng)機(jī)構(gòu)”來實(shí)現(xiàn)?！霸瓌?dòng)機(jī)構(gòu)”的定義在GB/T14536.1-2008的2.8.6中給出：

“用于產(chǎn)生自動(dòng)控制器的傳輸所需的機(jī)械能的機(jī)構(gòu)，例如電動(dòng)控制器、電動(dòng)閥、電動(dòng)機(jī)構(gòu)或時(shí)基控制器?！?/p>

語音控制器對(duì)音頻信號(hào)進(jìn)行語義解析后，輸出指令，調(diào)動(dòng)或激活其他模塊進(jìn)行電器設(shè)備控制（如激活空調(diào)啟動(dòng)模組）。在語音控制器的交互框架之外，還需要其他類型控制器或電子電器模塊作為組合模組來實(shí)際執(zhí)行控制電器設(shè)備的動(dòng)作。因此，單從拾音開始到解析完成輸出控制指令就結(jié)束而言，語音控制器基本是由電子電路實(shí)現(xiàn)功能操作，不涉及機(jī)械機(jī)構(gòu)的動(dòng)作，故不符合“操作控制器”的定義。

3 基于開關(guān)標(biāo)準(zhǔn)進(jìn)行適用性研究

開關(guān)和控制器均是用于配合其他電器設(shè)備使用，改變它們的工作狀態(tài)。語音交互控制器具具有類似的聯(lián)系，因此可擴(kuò)展研究開關(guān)標(biāo)準(zhǔn)對(duì)語音控制器的適用性。

參照GB/T 15092.1-2020 《器具開關(guān) 第1部分：通用要求》第1章給出的范圍：“這類開關(guān)由人通過操動(dòng)件操作、間接操作或者靠激發(fā)傳感器操作”。

此處“操動(dòng)件”的英文原文與前文2.2中分析過的“起動(dòng)元件”相同，只是不同歸口單位翻譯時(shí)的差異。此外，GB/T 15092.1-2020 的3.4.11還補(bǔ)充了“電子操動(dòng)件”的定義：

“控制傳動(dòng)機(jī)構(gòu)或開關(guān)器件的部件、元件或元件組。注：光學(xué)或聲學(xué)傳感器是元件組的一個(gè)例子?！?/p>

帶有聲學(xué)傳感器的聲控開關(guān)是符合上述規(guī)范的一類產(chǎn)品。與語音控制器僅受特定聲波觸發(fā)不同，聲控開關(guān)只要聲波達(dá)到一定響度，即可被激發(fā)。雖然從功能角度簡(jiǎn)化語音交互模型后，語音控制器的作用類似于“傳感器”受激發(fā)后產(chǎn)生電信號(hào)啟動(dòng)了對(duì)應(yīng)的操作階段，與聲控開關(guān)的作用相同，但參考GB/T 2900.83-2008《電工術(shù)語 電的和磁的器件 》中對(duì)“傳感器”的定義:“被某一物理現(xiàn)象激發(fā)后產(chǎn)生一個(gè)電信號(hào)來表征此物理現(xiàn)象的器件”后就發(fā)現(xiàn)，會(huì)陷入與前文2.3中研究的“物理特性”一樣的困境，無法對(duì)底層技術(shù)實(shí)現(xiàn)進(jìn)行表達(dá)。目前市面上的語音控制器產(chǎn)品方案中，有的設(shè)計(jì)成數(shù)字信號(hào)處理器（DSP）專門處理降噪、“喚醒”、離線指令識(shí)別，操作階段的邏輯運(yùn)算交由另一款芯片處理；也有使同一塊芯片處理完所有邏輯運(yùn)算。但不管哪一種方式，所有模塊都高度集成化，在軟硬件上難以按“喚醒”階段與操作階段進(jìn)行剝離獨(dú)立考核，這與聲控開關(guān)具有不同的技術(shù)實(shí)現(xiàn)路徑。

此外，控制器與開關(guān)的最大區(qū)別在于：開關(guān)旨在修改其端子之間的電氣連接，控制器的核心功能是計(jì)算，側(cè)重于分析和處理。相比之下，語音控制器更加復(fù)雜，能實(shí)現(xiàn)的功能更多，其對(duì)聲音的辨識(shí)要求更苛刻，技術(shù)難度遠(yuǎn)在聲控開關(guān)之上。特別是對(duì)于具有復(fù)雜交互能力的在線語音控制器已經(jīng)超出了開關(guān)的概念。

因此，器具開關(guān)標(biāo)準(zhǔn)難以覆蓋語音控制器的底層技術(shù)方案，若以器具開關(guān)標(biāo)準(zhǔn)考核語音控制器，將極大弱化語音控制器與前沿智能技術(shù)之間的關(guān)系。

4 結(jié)論

控制器是實(shí)現(xiàn)新型云計(jì)算、物聯(lián)網(wǎng)、新一代人工智能等新技術(shù)領(lǐng)域的最核心支撐部件，是各項(xiàng)新技術(shù)的實(shí)現(xiàn)基礎(chǔ)。

但是歸結(jié)前文的分析，語音控制器都難以從GB/T 14536.1-2008 或GB/T 15092.1-2020中找到相應(yīng)的類別來進(jìn)行規(guī)范。

語音交互涉及電器的功能控制，一旦出現(xiàn)安全漏洞，可造成人身和財(cái)產(chǎn)傷害。而且由于用戶的隱私可能長(zhǎng)時(shí)間暴露在拾音環(huán)境中，對(duì)于隱私保護(hù)的要求是傳統(tǒng)電器產(chǎn)品未曾遇到的情況。

此外，不同于手機(jī)、麥克風(fēng)等產(chǎn)品，帶有語音交互功能的家用電器的應(yīng)用場(chǎng)景更為多樣化，拾音條件較為惡劣（如電器工作時(shí)自身的噪聲、振動(dòng)），這些都可能對(duì)語音模組的正常應(yīng)用造成影響。

事實(shí)上，語音控制器由人主觀意識(shí)啟動(dòng)后，發(fā)揮控制的作用，與“人工控制器”的定義初衷是相符的。但傳統(tǒng)控制器的操作和調(diào)節(jié)是通過人的接觸操作完成，受外部條件影響較??；語音交互則屬于非接觸式的交互操作，不同用戶口音、語速，不同的使用環(huán)境，不同的設(shè)備安裝情況，都可能對(duì)交互結(jié)果產(chǎn)生影響。

再者，經(jīng)過多年的發(fā)展，基于物理特性研發(fā)的傳統(tǒng)電子器件已相對(duì)穩(wěn)定可靠，而現(xiàn)代前沿語音交互技術(shù)一般是基于大數(shù)據(jù)訓(xùn)練出來的復(fù)雜算法，其工作原理如黑盒一般，對(duì)于各種可能出現(xiàn)的輸出結(jié)果具有不確定性。

可見在語音交互功能已成為日常生活助手的今天，傳統(tǒng)電氣安全標(biāo)準(zhǔn)亟需針對(duì)新型激勵(lì)引入新的技術(shù)規(guī)范，對(duì)可能出現(xiàn)的問題進(jìn)行預(yù)防，降低具備語音控制功能產(chǎn)品的潛在著安全風(fēng)險(xiǎn)，為新技術(shù)的應(yīng)用保駕護(hù)航。