专业下载站,下载软件就到188下载站

188软件园

您的位置: 188软件园>资讯频道>智能科学

亚马逊 Echo大获成功,远场语音交互技术在其中究竟扮演了什么角色? | 深度

亚马逊 Echo大获成功,远场语音交互技术在其中究竟扮演了什么角色? | 深度

17-05-15 | 作者:GiuliaQ |

 本文作者李智勇,十年栈道程序员,有一个好玩的公号:zuomoshi(琢磨事)。本文为华军软家园首发文章。

关于远场语音交互,声智科技 CEO 陈孝良告诉华军软家园:“语音是最简单、最自然的人机交互方式,同时也是技术难度最大的交互方式,特别是语音交互从近场走向远场落地到真实场景,必须考虑噪声、混响、回声等声学问题,以及数据差异引入的机器学习模型问题,这些都是保证自由人机交互的核心技术。”

 

但是网络上横跨声学和计算机学科的教育资源太少,李智勇老师的这篇文章不仅揭示了远场语音交互的核心技术,还对商业化落地的路径进行了深入的解读,无论是语音交互的技术人员,还是产品经理,都值得一读。

手机之后国外各大巨头非常罕见的步调一致的在做同一件事情:智能音箱。而这一切最初的驱动力来自于Amazon Echo,但有意思的事情是Amazon Echo这产品根本没做任何的功能上的创新,听歌、看新闻、设闹钟、说笑话、控制?#19994;緄人?#26377;东西都可以在手机上?#19994;教?#20195;品,它唯一的变化只是把语音交互的方式从近场升级为远场,并把精度和速度打磨到非常优秀的程度。只是这么一点点变化,似乎就要创造一个无比巨大的行业,那远场语音交互为什么有这么大的威力?

语音交互等价于远场语音交互

极端的讲法是世界上并不存在一种方式叫近场语音交互,语音交互基本等价于远场语音交互。事实证明过去很多年里各种近场语音交互的尝试(比如Siri)并没获得很好的进展,甚?#33391;?#21333;实用的语音输入法也没能成为主流。从应用场景来看远场和近场的核心差别是拉开和语音设备的距离后,双手再也没用了。这样和触屏就可以彻底的差异化,可以彻底的发挥语音的快捷优势。想象下面的场景:

在微信里给一个人打视频电话,如果用手机那是下面这样的过程

如果变成远场语音,那核心步骤会变成两个

显然在这两种场景下便利程度是完全不一样的,这种便利理论上讲在近场的情形下同样存在,但核心点在于近场?#26412;?#38656;要挑战?#27809;?#26681;深蒂固的触屏习惯,这很难。触?#20102;?#28982;大流行,但显然并没能在笔记本上挑战键盘鼠标的既有地位。这不单是偏好问题,也与各?#38047;?#29992;与特定交互方式的绑定有关。触?#20102;?#28982;好用,但并不能完全在Office上用起来,所以如果Office根深蒂固,那么键盘鼠标就根深蒂固。所以我们说,语音交互基本等价于远场语音交互,一旦它真的成为主流交互方式,培养了?#27809;?#20064;惯,那反过来才可能在近场的场景(比如近场的Siri)下占有一席之地。

远场语音交互的核心技术

远场语音交互如果变的无处不在,那Amazon Alexa(以及同类产品)会变成新一代的Android,那个时候整个生态会像下面这样:

这个时候Alexa这样的系统同时覆盖了传?#25104;螦ndroid和应用商店的角色,在其上面则会?#34892;?#30340;今日头条、新的O2O等。而如果要把Alexa所依托的技术进行细分的话,那么基本上是三层:

    前端的声学部分(算法+阵列)

    识别

    NLU

    这样一来远场语音交互就正好面临一大一小两个瓶?#20445;?/strong>

      第一个瓶颈是眼下就要解决的问题,即在语义仍然有限制的条件下,打造偏命令控制的产品,这个时候产品的ID很难拟人化(想想Echo,Airpods这些产品),一旦拟人?#27809;?#30340;潜在期望就会无限拔高,你也就不可能做出非常满足?#27809;?#20307;验的产品。

      第二个瓶颈则具有一定的不确定性,具有探索性质,我们仍然还不知道什么时候自然语言理解中可以体现出真的智能,但确实只有这点做了突破,并且同计算机视觉进行融合才能真的做好拟人的机器人。

      而为了解决第一个瓶颈事实上需要做好的事情有两个:

        一个是前端声学算法软硬件的?#20013;?#20248;化

        一个是通过获取的数据重新训练云端的ASR

        这个过程可以用下图橙色的部分来概括。

        上述这个看着并不太长的链条其实复杂度非常高,它即跨越不同的学科(声学部分属于经典物理,识别部分则属于CS),也需要打穿软硬件。

        在算法层面只是前端就需要处理大量经典问题,比如降噪、去混响、回声抵消、Beamforming等。加不加这些算法的音频信号差异极大,如:

        亚马逊 Echo大获成功,远场语音交互技术在其中究竟扮演了什么角色? | 深度

        (具体效果试听可以参照http://soundai.com/demo.html)

        而我们经常说的麦克风阵列即使抛开算法不论,单只在硬件层次上也远不是标准品:

        上图是一款强调通用性的麦克风阵列,通过USB连接可以随便连接到笔记本、PAD、手机上进行使用。同样的阵列还可以做成线性、L型、球形,最终的目的都是匹配特定的场景,让最终远场交互的精度最优。

        如果进一步下探,那就会出现更为底层的选择,比如是用驻极体麦克风还是用MEMS的,是用数字的还是用模拟的。

        再进一步挖掘,麦克风从特性上还可以进一步细分,比如:

        所有上面这些点如果不能一一理?#24120;?#37027;就没法给?#27809;?#36755;出一种综合性的体验,单点最优在远场语音交互这里价值很小,相当于必要不充分条件。只?#24515;?#22815;综合,并且能够优化单点才真的能够解决当前产品落地中的实际问题。

        (编辑?#20122;?#25552;醒:声智科技即将推出的“远场语音交互课程”中,将会对Echo进行拆解并做技术剖析,?#34892;?#36259;深入了解的,可以关注一下。传送门:实战特训:远场语音交互技术)

        技术和商业上的正反馈

        几乎所有大公?#24452;几?#21463;到了远场语音交互背后的价值,所以纷?#36164;?#27700;:继亚马逊、Google之后,微软宣布了自己的智能音箱产品,预计?#36824;不?#23459;布自己的相似产品。但是远场语音交互的落地却可能比大家期望的要慢。核心点就在于技术-商业上的正反馈需要一定的启动周期。显然的技术不好用,产品体验就不好;而反过来产品没销量技术就缺乏打磨的场景,内容配套也就不会跟上。这种互锁状态就会形成一个冷启动周期,在这个周期里做技术的公司打磨自己的技术,在没那么大量的产品?#19979;?#22320;,产品公司则接受技术现实,打磨自己的产品。这样一来整个远场语音交互很可能会跑下面的曲线:

        这个过程是可以和过去很多商业现实验证的,比如2007年iPhone发布,小?#36164;?#26426;则要迟到2011年,这期间的4年可以看成是智能手机的启动期,一旦这个市场启动后则进入一个高速增长期,小?#36164;?#26426;的销量迅速从2012的700多万台增加到2014年的6000多万台。

        远场语音交互的这个技术-商业正反馈当前还处在非常初期的阶段,亚马逊的Echo(各?#20013;?#21495;)如果2017年的销量真的逼近2000万台,那基本上可以认为在美国,技术-商业的正反馈第一回合完成。而在国内,同品类产品销量都还处在几万、十几万?#32771;?#30340;水平,这个技术-商业的正反馈远未完成。

        当然这并非坏事,在格局已定的市场上,后来者是没有机会的;只有在这种充满未知的领域上,创业者才真的有颠覆性的机会。如果回退到20年前,联想、门户相对于现在的BAT都是巨无霸型公司,要资源有资源,要渠道有渠道,要人有人但很有意思的事情是BAT最终崛起了。

        小结

        手机的触屏把很多人塑造成了低头族,远场语音交互估计会塑造出许多和机器说话的人。那时候语言不再只是人和人的交互手段。

        华军软件园注:现在华军软家园mooc.ai已推出了远场语音交互技术的实战特训班,由语音交互专家、声智科技 CTO 冯大航主讲,为你剖析语音信号处理,麦克风阵?#34892;?#21495;处理,语音识别中的关键技术及实用技巧。为了鼓励更多人?#24230;?#35821;音领域,声智科技提供价值1999元的 SAI_MICA_41T-UI、USB 版本的开发版给学员,增强实操练习。5月17?#21344;?#23558;开课,?#34892;?#36259;的同学可点击链接报名。

        (完)

网友评论

您的评论需要经过审核才能显示 网名

0条评论>网友评论