應(yīng)用

技術(shù)

物聯(lián)網(wǎng)世界 >> 物聯(lián)網(wǎng)新聞 >> 物聯(lián)網(wǎng)熱點新聞
企業(yè)注冊個人注冊登錄

要跟機器說上話,總共分幾步?

2020-07-06 09:25 中興文檔

導讀: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。可以理解為人類與機器間通過自然語言完成信息傳遞的技術(shù)。


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,喚醒的準確率就會越高。比如:“小興小興”的喚醒準確率遠高于“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 識別的準確率。

語義理解就是嘗試理解人類的語言,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:

將從文字內(nèi)容轉(zhuǎn)換成語音輸出,讓機器說話。

合成語音:狹義上專指根據(jù)音素序列(以及標注好的起止時間、頻率變化等信息)生成語音,廣義上它也可以包括文本處理的步驟。

家庭中語音交互的主要應(yīng)用場景包括:

Internet,語音查詢資訊▲

IPTV/OTT,語音播控影視▲

IMS固話,語音免提撥號▲

IOT智家,語音控制家電▲

可能,你覺得上面的小盒子只是個智能音箱?

其實,它開屏是盒子,息屏是音箱~

目前,它已經(jīng)在各電信營業(yè)廳上架的路上了...

現(xiàn)在,你是不是已經(jīng)迫不及待地想盤它了呢?

我們先通過下面的短視頻了解一下吧!

縮略語:

ASR:Automatic Speech Recognition,自動語音識別技術(shù)

NLU:Natural Language Understanding,自然語言理解

DM:Dialog Management,對話管理

NLG:Natural Language Generation,自然語言生成

TTS:Text To Speech,從文本到語音

NLP:Natural Language Processing,自然語言處理

IPTV:Internet Protocol Television,網(wǎng)際協(xié)議電視

OTT:Over The Top,通過互聯(lián)網(wǎng)向用戶提供各種應(yīng)用服務(wù)

IMS:Interactive Multimedia Service,交互式多媒體服務(wù)

IOT:Internet of Things,物聯(lián)網(wǎng)