語(yǔ)音識(shí)別技術(shù)在智能語(yǔ)音機(jī)器人中的應(yīng)用

語(yǔ)音識(shí)別技術(shù)作為當(dāng)前人工智能落地最成熟的產(chǎn)品，在AI席卷全球時(shí)，圍繞語(yǔ)音交互的產(chǎn)品之爭(zhēng)正愈演愈烈，大到國(guó)內(nèi)外科技巨頭、小到個(gè)人的創(chuàng)業(yè)團(tuán)隊(duì)都在暗流涌動(dòng)，各種智能解決方案層出不窮。也正是因?yàn)檫@種趨勢(shì)，才造就了人工智能領(lǐng)域內(nèi)語(yǔ)音交互技術(shù)的不斷完善和成熟，在技術(shù)和深度學(xué)習(xí)下，不斷登上新的高度。

但還是有人會(huì)不斷詢問：現(xiàn)在語(yǔ)音識(shí)別真的可以我們比嗎？在我們生活中，語(yǔ)言最重要的功能是傳遞信息，讓其他人知道我們的目的。在AI的領(lǐng)域里其實(shí)也是這一個(gè)功能，只是我們要機(jī)器人知道我們要做什么，怎么做。也許這就是關(guān)注的語(yǔ)音交互的關(guān)鍵，語(yǔ)音交互之所以越來(lái)越被重視，是因?yàn)榛ヂ?lián)網(wǎng)、智能硬件的普及，改變互聯(lián)網(wǎng)的入口方式，而語(yǔ)音就是最簡(jiǎn)單的，最直接的交互方式，是通用的互聯(lián)網(wǎng)輸入模式。

AI智能語(yǔ)音技術(shù)有力地推動(dòng)了人工智能與傳統(tǒng)電銷的深度融合發(fā)展。百靈語(yǔ)音機(jī)器人作為先進(jìn)的智能外呼方案，可以自動(dòng)多路外呼，高并發(fā)，效率更高，每日可完成5-10倍的工作量；另外，百靈語(yǔ)音機(jī)器人還可以幫助銷售人員進(jìn)行話術(shù)設(shè)計(jì)，保障溝通的有效性，不僅增強(qiáng)了客戶的服務(wù)體驗(yàn)，還提高了銷售人員的工作積極性，全身心地投身到銷售工作中。

百靈語(yǔ)音機(jī)器人每天可模仿銷售精英打1000通次以上電話，篩選、分類、標(biāo)簽意向客戶、篩選出來(lái)意向客戶、自動(dòng)添加微信，成功率更高，公司銷售人員只需要跟進(jìn)意向客戶及后續(xù)簽單維護(hù)工作，幫助用戶解決催收，客服，房地產(chǎn)，貸款，保險(xiǎn)，教育等行業(yè)招人難、留人難、管理難等一系類問題。

除了語(yǔ)音識(shí)別，AI在語(yǔ)音合成、對(duì)話管理，問答等方面也做了很多工作，還包括在不同端上的信號(hào)處理，例如麥克風(fēng)陣列等等都是要去實(shí)踐的。這樣才能完成語(yǔ)音交互的完整過(guò)程。百靈語(yǔ)音機(jī)器人擁有前沿技術(shù)，和全方位的售后服務(wù)。在當(dāng)前技術(shù)下，百靈語(yǔ)音機(jī)器人支持支持對(duì)話打斷，多種線路對(duì)接，也可以對(duì)接到移動(dòng)端，還可以轉(zhuǎn)接人工，而隨著技術(shù)的不斷升級(jí)，大數(shù)據(jù)話術(shù)庫(kù)也在不斷累積沉淀，百靈語(yǔ)音機(jī)器人也在不斷自我深度學(xué)習(xí)，各種新功能將會(huì)不斷完善，更加完美。

未來(lái)語(yǔ)音交互技術(shù)可能會(huì)大規(guī)模應(yīng)用，這是發(fā)展的趨勢(shì)，并不是每個(gè)人都是算法或者人工智能領(lǐng)域的資深專家，需要一個(gè)不斷學(xué)習(xí)和迭代的過(guò)程。AI技術(shù)的應(yīng)用是一個(gè)系統(tǒng)工程，要有足夠的耐心去打通產(chǎn)品和體驗(yàn)的優(yōu)化鏈路，在應(yīng)用中不斷提升效果。

語(yǔ)音識(shí)別技術(shù)在智能語(yǔ)音機(jī)器人中的應(yīng)用，一般語(yǔ)音機(jī)器人的設(shè)計(jì)開發(fā)主要著眼于“能聽會(huì)說(shuō)”，力圖利用語(yǔ)音識(shí)別和語(yǔ)音合成等技術(shù)，將模擬的聽說(shuō)能力賦予機(jī)器人并生動(dòng)地展示給觀眾，主要應(yīng)用于展廳博物館等場(chǎng)景，需考慮到機(jī)器人所處環(huán)境非常嘈雜，因此對(duì)系統(tǒng)的穩(wěn)定性和抗噪性能都提出了較高的要求。此外，由于參與的觀眾來(lái)自全國(guó)各地，涉及不同性別、年齡、地域口音，所以系統(tǒng)聲學(xué)模型的分類設(shè)計(jì)、調(diào)練和自動(dòng)切換也是一個(gè)重要的設(shè)計(jì)要素。

智能語(yǔ)音機(jī)器人的總體設(shè)計(jì)

智能機(jī)器人與觀眾采用相互問答的小型對(duì)話形式進(jìn)行交流。為實(shí)現(xiàn)上方便，可把問答對(duì)話的領(lǐng)域進(jìn)行合理的限制。除迎賓和問候語(yǔ)外，可以設(shè)計(jì)4個(gè)問題域：有關(guān)時(shí)間、日期和星期的問答，有關(guān)全世界各大城市所在時(shí)區(qū)和當(dāng)?shù)貢r(shí)間的問答，100以內(nèi)的數(shù)學(xué)四則運(yùn)算題目的問答，沒有關(guān)系機(jī)器人的身世、本領(lǐng)等自身情況的問答。對(duì)于每個(gè)限定的問題域，相應(yīng)詞匯表的大小是有限的。在限定領(lǐng)域、有限詞匯的條件下，機(jī)器人基本可以與觀眾進(jìn)行自由問答，并可以在不同的問題與之間相互切換。系統(tǒng)工作流程圖如下。

系統(tǒng)啟動(dòng)并初始化后處于等待狀態(tài)，如果沒有觀眾靠近，機(jī)器人就定時(shí)反復(fù)播放自我介紹。如果有觀眾參觀（由紅外探測(cè)配合），系統(tǒng)檢測(cè)到語(yǔ)音信號(hào)，便會(huì)從等待狀態(tài)進(jìn)入問答狀態(tài)。在觀眾預(yù)先選定的問題域內(nèi)，機(jī)器人將和觀眾進(jìn)行“自由”問答，在回答觀眾提問的同時(shí)，機(jī)器人會(huì)有協(xié)調(diào)的動(dòng)作加以配合：針對(duì)不同觀眾對(duì)機(jī)器人所提問題的不同回答，機(jī)器人會(huì)有不同的相應(yīng)，并以此決定下一步的動(dòng)作。在某些問題域內(nèi)，機(jī)器人在對(duì)文檔話過(guò)程中還會(huì)向觀眾提出一些問題，并等待觀眾回答。如果觀眾回答正確，機(jī)器人將表示祝賀，否則機(jī)器人將給出合理的提示（如噪聲太大，講話聲音要大點(diǎn)，沒有聽清楚或者你的答案不正確等）。多次回答不正確時(shí)，機(jī)器人將給出正確答案，機(jī)器人與觀眾對(duì)話結(jié)束后，向觀眾道別，再次轉(zhuǎn)入等待狀態(tài)。

核心語(yǔ)音模塊及關(guān)鍵技術(shù)

語(yǔ)音模塊是智能機(jī)器人的核心構(gòu)件，它完成的功能包括：機(jī)器人從外界接收觀眾的語(yǔ)街，送入語(yǔ)音識(shí)別器進(jìn)行識(shí)別，再?gòu)淖R(shí)別結(jié)果中提取若干關(guān)鍵詞，而后通過(guò)對(duì)這些關(guān)詞的分析，將其映射為某個(gè)問題：機(jī)器人再針對(duì)此問題生成回答，最后將文本形式的答案合成為語(yǔ)音，輸出給觀眾。如果觀眾的問題超出限定的對(duì)話范圍或者識(shí)別結(jié)果可信度不高，則在答案生成階段給出錯(cuò)誤提示，并由語(yǔ)音合成器輸出。如果機(jī)器人想向觀眾提出問題，也要由語(yǔ)音合成器合成后輸出，模塊的整體框架如下圖所示。

1.問題域相關(guān)的數(shù)據(jù)組織

機(jī)器人與觀眾的問答將限定在某個(gè)問題域內(nèi)進(jìn)行，針對(duì)每個(gè)問題域，我們確定了有限大小的“詞匯表”，并通過(guò)大量的語(yǔ)料訓(xùn)練出相應(yīng)的基于詞類的統(tǒng)計(jì)“語(yǔ)言模型”“關(guān)鍵詞表”可以從“詞匯表”中提煉得到，它記錄的是對(duì)于理解問題有實(shí)質(zhì)作用的詞匯及其相關(guān)信息，此外還要在“關(guān)鍵詞表”的基礎(chǔ)上形成“關(guān)鍵詞類型組合模板庫(kù)”，其中每個(gè)模板代表問題域內(nèi)的一類具體問題。

2.識(shí)別結(jié)果的可信度度量及拒識(shí)

從以上框圖可以看到，語(yǔ)音識(shí)別器的識(shí)別結(jié)果作為“關(guān)鍵詞提取”和“問題理解等后續(xù)各個(gè)步驟的原始輸入，它的正確與否直接影響到整個(gè)系的性能。

在限定領(lǐng)域限定詞匯量的條件下，如果觀眾的提問或回答不超出限定的詞匯，識(shí)別結(jié)果的正確率可以達(dá)到95%以上。但是，一旦問題超出限定的領(lǐng)域或者出現(xiàn)了集外詞，識(shí)別器的性能就會(huì)嚴(yán)重下降。因此對(duì)識(shí)別器識(shí)別結(jié)果的可信度進(jìn)行度量就顯得非常重要，它可以降低集外詞（OOV）帶來(lái)的不利影響。

我們采取的方法是利用統(tǒng)計(jì)語(yǔ)言模型衡量識(shí)別所得到的整個(gè)句子的可信度。如果一個(gè)句子的詞誤識(shí)率比較低，構(gòu)成這個(gè)句子的眾多三元短語(yǔ)（w1w2，w3），會(huì)比較多的出現(xiàn)在統(tǒng)計(jì)語(yǔ)言模型Trigram中;反之如果出現(xiàn)較多的識(shí)別錯(cuò)誤，那么句子中大部分的詞w1和元短語(yǔ)（wl，w2）將出現(xiàn)在Unigram或Bigram中，很少有三元短語(yǔ)命中Trigram對(duì)于一個(gè)由若干詞W，W2，，Wi，…Wn構(gòu)成的句子，我們根據(jù)各個(gè)詞及它所構(gòu)成的知語(yǔ)在統(tǒng)計(jì)語(yǔ)言模型中出現(xiàn)的情況對(duì)其中每個(gè)詞打分。出現(xiàn)在Trigram中的可信度高，因而得分較高，出現(xiàn)在Bigram或Unigram中的可信度低，因而得分較低。再在各個(gè)詞得分的基礎(chǔ)上得到整個(gè)句子的可信度得分。若得分低于某個(gè)門限，則認(rèn)為句子中包含較多的識(shí)別錯(cuò)誤或者集外詞，可信度較低，應(yīng)當(dāng)被拒識(shí)。

3.關(guān)鍵詞檢測(cè)

從識(shí)別器得到的識(shí)別結(jié)果，是由一個(gè)個(gè)詞構(gòu)成的詞序列，其中某些詞對(duì)于理解整個(gè)句子有著非常重要的作用，這就是我們所說(shuō)的關(guān)鍵詞。在這步要做的就是提取出這些關(guān)鍵詞，形成一個(gè)關(guān)鍵詞串，作為下一步問題理解”的輸入，這種處理同時(shí)也是為了降低“問題理解”時(shí)的難度。針對(duì)上面提到的四個(gè)問題域，我們分別設(shè)計(jì)了關(guān)鍵詞表，預(yù)先規(guī)定了在這一問題域內(nèi)的關(guān)鍵詞。這個(gè)關(guān)鍵表是語(yǔ)音識(shí)別系統(tǒng)中相應(yīng)問題域下的詞匯表的子集，記錄了每個(gè)關(guān)鍵詞的漢字串，類標(biāo)識(shí)和詞序號(hào)等信息。在提取關(guān)鍵詞時(shí)，只需要在句子中進(jìn)行搜索，檢測(cè)到出現(xiàn)在關(guān)鍵間表的關(guān)鍵詞，記錄它們出現(xiàn)的位置和次序。比如一個(gè)句子“請(qǐng)問現(xiàn)在紐約的當(dāng)?shù)貢r(shí)間是幾點(diǎn)鐘？”我們可以提取出關(guān)鍵漢字串“現(xiàn)在紐約當(dāng)?shù)貢r(shí)間幾點(diǎn)鐘”以及對(duì)應(yīng)的關(guān)鍵詞類型串NOWCITY+LOCALTIME+CCLOCK”。對(duì)于不包含關(guān)鍵詞的句子我們把它視作無(wú)效或者錯(cuò)誤的輸入，給出相應(yīng)的提示。

4.問題理解和答案生成

“關(guān)鍵詞提取”得到的關(guān)鍵詞漢字串以及類型串將用于問題理解和答案生成。

在“問題理解”時(shí)，主要用到關(guān)鍵詞類型串，通過(guò)與模板組合庫(kù)中的模板對(duì)照，可以把它映射到某一類具體問題上。比如上面例子中的“NOW+CITY+LOCALTIME+OCLOCK”，就可以映射為“詢問某城市的當(dāng)?shù)貢r(shí)間這類問題。在系統(tǒng)中針對(duì)每個(gè)不同的問題域，設(shè)計(jì)了許多關(guān)鍵字類型組合的模板，每個(gè)模板對(duì)應(yīng)一類問題。如果關(guān)鍵字類型串成功映射為某類問題，即可轉(zhuǎn)入“答案生成”，否則我們認(rèn)為問題無(wú)效和錯(cuò)誤在“答案生成”時(shí)，已經(jīng)明確了問題的類型，相應(yīng)回答的基本句式就已經(jīng)確定，所需要的就是給句式賦予具體的內(nèi)容。利用“關(guān)鍵詞提取”得到的關(guān)鍵字漢字串和詞序號(hào)等信息，可以唯一地確定問題的具體內(nèi)容，并由此得到問題的最終答案。

以上介紹的是系統(tǒng)的總體結(jié)構(gòu)和流程設(shè)計(jì)，針對(duì)機(jī)器人將要長(zhǎng)期展出的要求，以及其展出環(huán)境比較嘈雜觀眾類型復(fù)雜、年齡跨度大等特點(diǎn)，還有許多實(shí)際問題需要解決。比如，針對(duì)現(xiàn)場(chǎng)環(huán)境噪聲和不同的觀眾類型需要現(xiàn)場(chǎng)采集數(shù)據(jù)，進(jìn)行聲學(xué)模型訓(xùn)練;根據(jù)說(shuō)話人的不同聲學(xué)特性，要對(duì)說(shuō)話人進(jìn)行聚類，設(shè)計(jì)分類的聲學(xué)模型，并在線選擇、切換;另外還要設(shè)計(jì)不同的問題域，并組織數(shù)據(jù)和訓(xùn)練相應(yīng)的語(yǔ)言模型。