淺談智能語(yǔ)音交互,看一個(gè)Windows語(yǔ)音識(shí)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(lèi)同臺(tái)出演，與人類(lèi)自由的溝通交流，甚至比人類(lèi)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(kāi)玩笑，我在這絕不可能解釋好這個(gè)問(wèn)題，但是從另一個(gè)角度簡(jiǎn)單來(lái)講，與機(jī)器人交流其實(shí)這是通過(guò)語(yǔ)音來(lái)實(shí)現(xiàn)與機(jī)器交互，互動(dòng)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(yǔ)音的識(shí)別，就是說(shuō)機(jī)器人得先聽(tīng)懂人說(shuō)話。那此文就來(lái)淺聊下關(guān)于通過(guò)語(yǔ)音來(lái)實(shí)現(xiàn)人機(jī)交互的一些問(wèn)題。

我們先看一個(gè)較簡(jiǎn)單的例子 —— Windows語(yǔ)音識(shí)別程序：

Windows語(yǔ)音識(shí)別功能主要是使用聲音命令指揮你的電腦，實(shí)現(xiàn)離開(kāi)鍵盤(pán)鼠標(biāo)來(lái)實(shí)現(xiàn)人機(jī)交互。通過(guò)聲音控制窗口、啟動(dòng)程序、在窗口之間切換，使用菜單和單擊按鈕等功能。Windows語(yǔ)音識(shí)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(lái)完成整個(gè)語(yǔ)音操作。

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

同樣，如果你對(duì)桌面的快捷方式或文件進(jìn)行語(yǔ)音操作，系統(tǒng)將會(huì)提供一個(gè)稱(chēng)之為“鼠標(biāo)網(wǎng)絡(luò)”的功能，對(duì)桌面進(jìn)行以前區(qū)域的劃分和自動(dòng)編號(hào)，用語(yǔ)音+視覺(jué)來(lái)提高操作效率和識(shí)別的精準(zhǔn)率：

在目前Windows的語(yǔ)音識(shí)別程序中，除文本的語(yǔ)音輸入（包括文字和符號(hào)）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(pán)命令。用戶(hù)所能語(yǔ)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(pán)上解放出來(lái)。

與此初衷相類(lèi)似的我們還能在目前主流的移動(dòng)設(shè)備上能看到語(yǔ)音識(shí)別功能的應(yīng)用：

然后我們?cè)谇斑M(jìn)一點(diǎn)，再想一下假如現(xiàn)在我們要面對(duì)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(duì)比上面的例子你會(huì)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(huì)有一個(gè)我們通常所見(jiàn)的顯示屏，那以上那些通過(guò)語(yǔ)音指令結(jié)合屏幕可視化輔助來(lái)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(duì)著機(jī)器人，你肯定會(huì)想它在聽(tīng)我說(shuō)話嗎？它能聽(tīng)懂我說(shuō)話嗎？我說(shuō)什么它能聽(tīng)懂？我說(shuō)什么它可能聽(tīng)不懂？等等這樣一對(duì)問(wèn)題會(huì)立即撲面而來(lái)。

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(huì)有功能定位和市場(chǎng)需求等等很多方面要考慮的，那我在這里討論的是一臺(tái)為用戶(hù)提供各種咨詢(xún)和能進(jìn)行簡(jiǎn)單語(yǔ)音邏輯“聊天”的機(jī)器人，需要如何處理語(yǔ)音交互方面的問(wèn)題，這里以Qrobot為例，盡可能不依賴(lài)電腦屏幕，而直接來(lái)與人互動(dòng)和提供各種咨詢(xún)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(shí)和技術(shù)條件下，在人類(lèi)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(lái)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(shí)、語(yǔ)言庫(kù)。像Qrobot這樣提供各種海量咨詢(xún)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(huì)慌了手腳，不知所云。（機(jī)器人無(wú)法根據(jù)對(duì)話的前后關(guān)系以及語(yǔ)境來(lái)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(huì)把機(jī)器人的語(yǔ)音知識(shí)庫(kù)進(jìn)行分類(lèi)，把不同類(lèi)型和專(zhuān)業(yè)的詞語(yǔ)庫(kù)分開(kāi)來(lái)，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(hù)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(yǔ)言庫(kù)中。比如你通過(guò)機(jī)器人來(lái)了解“音樂(lè)”方面的信息的時(shí)候，你需要讓機(jī)器人進(jìn)入音樂(lè)相關(guān)的“語(yǔ)庫(kù)思維”中，那在這個(gè)情況下它會(huì)把你說(shuō)的任何話當(dāng)作“音樂(lè)”相關(guān)的內(nèi)容或指令了。

這里對(duì)比下蘋(píng)果Siri，根據(jù)資料分析來(lái)看Siri是一個(gè)集中統(tǒng)一的語(yǔ)音分析處理中心，它通過(guò)監(jiān)聽(tīng)用戶(hù)語(yǔ)音，然后提取關(guān)鍵詞來(lái)理解用戶(hù)意圖，（當(dāng)然用戶(hù)事先要知道iPhone能幫他做些什么）然后可能經(jīng)過(guò)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(xún)和服務(wù)來(lái)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(xún)信息及功能。這樣的處理方式能使產(chǎn)品看起來(lái)更加的聰明和易用。

當(dāng)然除了被分區(qū)的專(zhuān)業(yè)語(yǔ)庫(kù)外，機(jī)器人還得有個(gè)“正常人”的思維，即識(shí)別專(zhuān)業(yè)語(yǔ)言庫(kù)以外的各種指令和普通對(duì)話，（上圖的集成模式）否則的話它將只能是“機(jī)器”而無(wú)“人”了。