思必馳積淀許久的one-shot功能也終于揭開神秘面紗

人工智能的熱潮驅(qū)動了整個行業(yè)的發(fā)展，智能語音作為最天然的交互手段，自然備受關注。在語音交互引起傳統(tǒng)交互變革的今天，智能車載領域成為了變革的先鋒，尤其是后裝市場，智能語音似乎已經(jīng)成為了車載場景交互的標配。

國內(nèi)專注智能語音的企業(yè)競爭越來越膠著。阿里，語音客服儼然已成為剛需；百度，強大的搜索資源庫成為了百度語音的后備力量；科大訊飛，依托政府項目，在教育、醫(yī)療、智慧城市等領域也占據(jù)著市場優(yōu)勢；樂視推出樂樂語音，改變著樂視超級電視的交互方式；愛奇藝、360、等也都在紛紛涉足語音技術。專業(yè)的語音公司更是憑借著特色的解決方案，風頭正盛。在這其中，交互方式的簡單便捷，成為幾乎所有語音交互方案追求的一大效果。

講到語音交互的簡單與便捷，思必馳于2016年10月20日升級版的AIO3.1新增的one-shot功能吸引了行業(yè)極大的關注。AIOS For Car是思必馳于2015年10月針對智能車載后裝市場推出的一款對話操作系統(tǒng)，主要應用在車機、智能后視鏡、HUD，以及互聯(lián)網(wǎng)汽車等產(chǎn)品上。2016年6月，思必馳將其升級至AIOS3.0版本，新增7大功能， 10月20日，思必馳再次發(fā)力，升級至AIOS3.1版本，積淀許久的one-shot功能也終于揭開神秘面紗。

one-shot一語即達

思必馳將one-shot功能描述為“一把說”，這一描述也十分的生動形象，貼近實際。

圖1 思必馳one-shot一把說

one-shot一把說，采用“喚醒詞+語音語義識別”一體化方式，實現(xiàn)喚醒詞與語音操控之間零間隔、零延遲、無縫對接，摒棄傳統(tǒng)的一問一答的形式，極大減少用戶語音操控的步驟，實現(xiàn)信息反饋，化繁為簡，實現(xiàn)簡便操作，但這樣的簡便在設計之初卻并不簡單。

one-shot的一大特點是識別喚醒與語義理解一體化，保證語音交互的統(tǒng)一性與連貫性，完成操控。舉個簡單的例子來講，過去智能語音的交互方式為一問一答，用戶發(fā)出喚醒詞指令，需要設備反饋待機信息，然后才能開始交互，例如：

用戶：你好小馳（喚醒詞指令）

設備：有什么可以幫您？（設備反饋，表示處于信息接收狀態(tài)）

用戶：我要去機場

設備：開始為您導航去機場

one-shot功能卻可以一語即中，實現(xiàn)“喚醒詞+語音語義識別”一體化，比如實現(xiàn)這樣的交互：

用戶：你好小馳，我要去機場

設備：開始為您導航去機場

相比傳統(tǒng)，這樣的體驗似乎更具效率?；蛟S未來，在人機交互中，機器通過采集用戶的行為習慣數(shù)據(jù)，追蹤用戶意圖，實現(xiàn)如下的對話，也并非不可能：

甲：我一直有個問題想問你

乙：愛過….

系統(tǒng)響應速度及精準度始終是用戶關心的一大問題。AIOS3.1中的one-shot功能采用本地+云端混合引擎模式。語音喚醒和常用的語音指令識別存儲在本地，系統(tǒng)接收反應靈敏，語音識別能夠準確及時的響應。與此同時，連續(xù)語音識別和語義理解進行云端處理，基于場景，收集用戶習慣數(shù)據(jù)，通過深度學習，分析并追蹤用戶意圖，保證語義理解精準性。本地加云端的混合引擎處理，既保證了響應速度也確保了交互的精準，即使在沒有網(wǎng)絡的情況下，依然可以使用基本語音交互功能。

GUI圖形交互界面必然會繼續(xù)前進變革，VUI語音交互界面是一大發(fā)展趨勢。思必馳one-shot功能的發(fā)布，展示了其在VUI產(chǎn)品交互設計的深度思考。相信，通過不斷的提升語音交互體驗，VUI必然會在未來IOT行業(yè)的人機交互中引起越來越多的變革。

用技術說話：研發(fā)實力是關鍵

很多車載后裝產(chǎn)品用戶反映一個問題，就是使用車載語音時，說“我要去天安門”，系統(tǒng)可以響應，但是說“去天安門”時，系統(tǒng)無反應，這是為什么呢？實際上，這是因為一些語音方案商將“我要去”三個字固化為喚醒詞，而“去”、“我想去”這類詞與“我要去”不完全匹配，所以系統(tǒng)自然無法識別。這種交互方式，表面上被宣傳為“免喚醒”，實際上恰恰相反，系統(tǒng)通過采用大量喚醒詞來實現(xiàn)，這樣做導致誤喚醒率極高、增加系統(tǒng)資源占用、可擴展性差，同時強迫用戶記憶，為用戶的安全駕駛帶來隱患。

就此問題，思必馳產(chǎn)品總監(jiān)雷雄國表示“思必馳用one-shot功能來解決這一問題，用戶想怎么說系統(tǒng)都可以理解，基于對應用場景的深度學習，系統(tǒng)能夠通過后臺用戶數(shù)據(jù)采集，分析用戶行為習慣，準確追蹤用戶意圖，克服刻板的關鍵詞識別，通過大詞匯數(shù)據(jù)，實現(xiàn)場景的流暢交互”。

實然，語音技術企業(yè)的核心競爭力在語音技術研發(fā)實力、產(chǎn)品化落地及市場應用著陸，成為企業(yè)生存之道。一些企業(yè)堅持自主研發(fā)，一些企業(yè)善于使用國際開源工具，比如，Google開源深度學習系統(tǒng)Tensor Flow。該系統(tǒng)支持支持CNN、RNN和LSTM算法等流行的深度神經(jīng)網(wǎng)絡模型，大大降低深度學習的應用難度，提升開發(fā)速度。但通用的開源工具有其效率和權限上的局限性，既無法滿足特定的前沿算法需求，也常常無法滿足用戶基于場景的個性化需求，不同專業(yè)領域的算法、數(shù)據(jù)、架構等都要依托實際應用進行搭建及優(yōu)化。

目前國內(nèi)智能語音行業(yè)中，深耕技術研發(fā)的企業(yè)并不多，比如在深度學習方面，百度研究院推出Deep Speech系統(tǒng)，科大訊飛推出FSMNN算法模型，思必馳與上海交大聯(lián)合實驗室則獨立擁有VDCNN算法模型和PSD解碼架構。擁有獨立自主研發(fā)實力，才能結(jié)合產(chǎn)品特性、應用場景，深度定制交互方案。

圖2 思必馳one-shot一語即達

無論是新奇的one-shot功能，還是說傳統(tǒng)的語音交互，在人工智能時代，只有技術落地轉(zhuǎn)化為良好的產(chǎn)品體驗才能更好的繪出未來智能生活的景象，我們期待著更多新技術的發(fā)布，也期待著新技術給我們帶來的驚喜。