語音交互設(shè)備中的ASR和TTS技術(shù)

本期導(dǎo)讀

-Hi Siri，今天天氣怎么樣？

-今天天氣晴，18℃至27℃，空氣質(zhì)量指數(shù)36，優(yōu)。

手機(jī)、手表、音箱等智能設(shè)備極大地便利了我們的生活，隨著語音交互設(shè)備的發(fā)展，智能交互依然面臨很多挑戰(zhàn)。

我們每天要說成百上千句話，長短不一。即便是一些轉(zhuǎn)瞬即逝的口頭語，也可以成為傳達(dá)自我意識的載體，向他人準(zhǔn)確傳達(dá)信息。可語言似乎是人類群體特有的專利，在過往的時間中，想借助語言與其他物種、物體建立清晰明確溝通關(guān)系的可能性無限趨近于零，直到智能語音技術(shù)的出現(xiàn)。

作為最早落地的人工智能技術(shù)之一，AI語音技術(shù)已經(jīng)得到了長足的發(fā)展。如今，智能語音技術(shù)已經(jīng)被廣泛集成的就是家居產(chǎn)品之中。在即將到來的萬物互聯(lián)時代，以語音交互為主的智能設(shè)備無疑將極具競爭力與吸引力。仔細(xì)一想，一眾充滿科技感與未來感的智能設(shè)備，將天然具備人類最熟悉的“原始交互方式”，也頗有些化繁為簡、返璞歸真的意味。

語音交互設(shè)備的“助聽器”——ASR

在復(fù)雜環(huán)境中，我們總是可以忽略或弱化無關(guān)噪聲，集中注意力進(jìn)行溝通，但語音交互設(shè)備在如此環(huán)境中只會無所適從，不免陷入“交互尚未開始，便已結(jié)束”的囧境。故此，設(shè)備擁有對各類“聲學(xué)場景”的聲源信號進(jìn)行處理、優(yōu)化功能的必要性不言而喻。而借助降噪NS、語音增強(qiáng)SE等技術(shù)，可以對聲學(xué)場景中的非語音噪音信號進(jìn)行抑制，從含有噪音的語音信號中提取純凈語音，提升語音識別效果，讓語音交互設(shè)備可以分辨、傾聽出目標(biāo)聲音，進(jìn)而為后續(xù)的語音交互掃清障礙。

在語音識別技術(shù)（ASR）的加持下，語音交互設(shè)備能對聲音信號進(jìn)行特征提取，提取而出的“特征”會作為參數(shù)，為模型計(jì)算做準(zhǔn)備。簡單理解就是將語音信息數(shù)字化，再通過相應(yīng)的模型對數(shù)字化信息進(jìn)行計(jì)算。后續(xù)通過聲學(xué)模型計(jì)算得出相應(yīng)的音素（即把聲音轉(zhuǎn)成音素），其目的是根據(jù)音素來找到對應(yīng)的漢字或者單詞，最終轉(zhuǎn)換成設(shè)備可以理解的文本。

語音交互設(shè)備的“聲卡”——TTS

基于語音合成技術(shù)（TTS），語音交互設(shè)備可對文本逐句分析，進(jìn)行詞匯、語法的和語義的分析，以確定句子的低層結(jié)構(gòu)和每個字的所對應(yīng)的音素組成，包括文本的斷句、字詞切分、多音字處理以及數(shù)字處理等。

在內(nèi)置芯片和神經(jīng)網(wǎng)絡(luò)技術(shù)的支持下，語音交互設(shè)備可把處理好的文本所對應(yīng)的單字或短語從語音合成庫中提取，使語言學(xué)描述轉(zhuǎn)化成言語波形，即把文字智能地轉(zhuǎn)化為自然語音流。至此，一次完整的語音交互便成功完成。當(dāng)然，在特有的智能語音控制器作用下，文本輸出的語音音律將會更加流暢，使得聽者在聽取信息時感覺自然、毫無機(jī)器語音輸出的冷漠與生澀感。

寫在最后

誠然，已普遍應(yīng)用于智能家居設(shè)備中的語音交互技術(shù)仍面臨諸多挑戰(zhàn)，在設(shè)備喚醒率、識別率、誤報率、環(huán)境降噪等方面仍有改進(jìn)的空間。但毫無疑問，在未來語音作為人類最自然、最便捷的溝通方式，將會成為所有設(shè)備和產(chǎn)品至關(guān)重要的入口和人與機(jī)器之間的通信紐帶，而強(qiáng)邏輯、無視覺或者弱視覺的智能語音技術(shù)也會找到更多用武之地。

原文標(biāo)題：智能交互的盡頭是聊天？

文章出處：【微信公眾號：安富利】歡迎添加關(guān)注！文章轉(zhuǎn)載請注明出處。

審核編輯：湯梓紅