淺談智能語音交互,看一個(gè)Windows語音識別程序

我們經(jīng)常能在科幻影片里能看到各種機(jī)器人與人類同臺出演，與人類自由的溝通交流，甚至比人類更加聰明。大家肯定想知道這樣的人造機(jī)器是如何做到的，我們現(xiàn)在真的能造出這樣的機(jī)器人嗎？

開玩笑，我在這絕不可能解釋好這個(gè)問題，但是從另一個(gè)角度簡單來講，與機(jī)器人交流其實(shí)這是通過語音來實(shí)現(xiàn)與機(jī)器交互，互動的一種操作，人與機(jī)器人的溝通其核心的一個(gè)方面便是語音的識別，就是說機(jī)器人得先聽懂人說話。那此文就來淺聊下關(guān)于通過語音來實(shí)現(xiàn)人機(jī)交互的一些問題。

我們先看一個(gè)較簡單的例子 —— Windows語音識別程序：

Windows語音識別功能主要是使用聲音命令指揮你的電腦，實(shí)現(xiàn)離開鍵盤鼠標(biāo)來實(shí)現(xiàn)人機(jī)交互。通過聲音控制窗口、啟動程序、在窗口之間切換，使用菜單和單擊按鈕等功能。Windows語音識別功能僅僅限于 Windows系統(tǒng)體系內(nèi)的一些常用操作和指令，并且是與監(jiān)視器顯示輔助來完成整個(gè)語音操作。

例如你想用語音通過主菜單打開某個(gè)程序，當(dāng)你說出“開始”后，系統(tǒng)將會提供一個(gè)“顯示編號”的區(qū)塊劃分功能，（編號是半透明的，使你能知道此編號下是哪個(gè)程序或文件夾）這樣假如你想打開“下載”這個(gè)文件夾，你只需說出它的編號“10”，程序就會給你打開“下載”這個(gè)文件夾了。這樣做的原因一是因?yàn)椋喝绻阈枰_啟用戶自行安裝的紛繁復(fù)雜的程序，Windows的語音庫里面可能沒有這些程序相應(yīng)的名稱，會造成識別不準(zhǔn)，甚至無法識別，二是通過顯示編號，和語音識別編號，響應(yīng)指令的效率更高，因此這樣語音配合監(jiān)視器的分模塊顯示大大的提高了用戶使用Windows系統(tǒng)的效率和準(zhǔn)確率。

同樣，如果你對桌面的快捷方式或文件進(jìn)行語音操作，系統(tǒng)將會提供一個(gè)稱之為“鼠標(biāo)網(wǎng)絡(luò)”的功能，對桌面進(jìn)行以前區(qū)域的劃分和自動編號，用語音+視覺來提高操作效率和識別的精準(zhǔn)率：

在目前Windows的語音識別程序中，除文本的語音輸入（包括文字和符號）之外，還包括16個(gè)常用命令，9項(xiàng)常用控件命令，31項(xiàng)文本處理命令，15項(xiàng)窗口命令，5個(gè)點(diǎn)擊屏幕任意位置命令，以及另外的幾組鍵盤命令。用戶所能語音指揮的也就是圍繞這些預(yù)先準(zhǔn)備好了的命令進(jìn)行交互操作，旨在這將有可能提高使用電腦的效率，和盡可能的把雙手從鼠標(biāo)鍵盤上解放出來。

與此初衷相類似的我們還能在目前主流的移動設(shè)備上能看到語音識別功能的應(yīng)用：

然后我們在前進(jìn)一點(diǎn)，再想一下假如現(xiàn)在我們要面對的不是電腦，手機(jī)，而是一個(gè)機(jī)器人！一位擬人化，仿真化的機(jī)器人，對比上面的例子你會很容易發(fā)現(xiàn)它和常用的電子設(shè)備的不同之處在于，它很可能是不會有一個(gè)我們通常所見的顯示屏，那以上那些通過語音指令結(jié)合屏幕可視化輔助來進(jìn)行的高效的交互方式在機(jī)器人身上就收到了限制。在這種情況下你面對著機(jī)器人，你肯定會想它在聽我說話嗎？它能聽懂我說話嗎？我說什么它能聽懂？我說什么它可能聽不懂？等等這樣一對問題會立即撲面而來。

其實(shí)在我們現(xiàn)有的技術(shù)水平和條件下，特別是面向大眾商用的機(jī)器人，想做到像電影里面那種人和機(jī)器人自由交流的情景幾乎是不可能。當(dāng)然我們做一個(gè)產(chǎn)品，當(dāng)然會有功能定位和市場需求等等很多方面要考慮的，那我在這里討論的是一臺為用戶提供各種咨詢和能進(jìn)行簡單語音邏輯“聊天”的機(jī)器人，需要如何處理語音交互方面的問題，這里以Qrobot為例，盡可能不依賴電腦屏幕，而直接來與人互動和提供各種咨詢的機(jī)器人。

人是上帝創(chuàng)造的，而機(jī)器人是由人創(chuàng)造的，在現(xiàn)有知識和技術(shù)條件下，在人類賦予他特定的能力之前，機(jī)器人是什么也做不了的。下面我將分幾點(diǎn)來討論要想實(shí)現(xiàn)與機(jī)器人交互溝通需要做哪些工作：

一，給機(jī)器人提供一個(gè)“大腦”—— 思想的材料：知識、語言庫。像Qrobot這樣提供各種海量咨詢和交流操作功能的機(jī)器人，如果把所有的這些“原材料”堆在一堆，一旦你有求于它的時(shí)候，它可能會慌了手腳，不知所云。（機(jī)器人無法根據(jù)對話的前后關(guān)系以及語境來判斷某一個(gè)詞在當(dāng)前情境下恰當(dāng)?shù)暮x）因此我們先會把機(jī)器人的語音知識庫進(jìn)行分類，把不同類型和專業(yè)的詞語庫分開來，以提高機(jī)器人的工作效率和服務(wù)的準(zhǔn)確度。那這樣用戶如需要獲得哪方面的信息和功能，就要先讓機(jī)器人“思維”進(jìn)入相應(yīng)的語言庫中。比如你通過機(jī)器人來了解“音樂”方面的信息的時(shí)候，你需要讓機(jī)器人進(jìn)入音樂相關(guān)的“語庫思維”中，那在這個(gè)情況下它會把你說的任何話當(dāng)作“音樂”相關(guān)的內(nèi)容或指令了。

這里對比下蘋果Siri，根據(jù)資料分析來看Siri是一個(gè)集中統(tǒng)一的語音分析處理中心，它通過監(jiān)聽用戶語音，然后提取關(guān)鍵詞來理解用戶意圖，（當(dāng)然用戶事先要知道iPhone能幫他做些什么）然后可能經(jīng)過跟你確認(rèn)，再觸發(fā)相應(yīng)的功能和服務(wù)。因此它最終提供功能咨詢和服務(wù)來自于整個(gè)iPhone系統(tǒng)不論是本地Apps或是云端（網(wǎng)絡(luò)APIs）已經(jīng)準(zhǔn)備整合好了的咨詢信息及功能。這樣的處理方式能使產(chǎn)品看起來更加的聰明和易用。

當(dāng)然除了被分區(qū)的專業(yè)語庫外，機(jī)器人還得有個(gè)“正常人”的思維，即識別專業(yè)語言庫以外的各種指令和普通對話，（上圖的集成模式）否則的話它將只能是“機(jī)器”而無“人”了。