<mark id="oztn4"></mark>
0
| 本文作者： 楊曉凡 | 編輯：郭奕欣 | 2018-05-09 19:58 | 專題：Google I/O 2018 |
雷鋒網(wǎng) AI 科技評(píng)論按：谷歌昨晚在加州召開了 2018 年度的開發(fā)者大會(huì)（Google I/O 2018）。在大會(huì)介紹的 Android P、Gmail、Gboard、TPUv3 等眾多新產(chǎn)品和功能中，尤為亮眼的無疑是個(gè)人助理 Google Assistant 中新增加的 Duplex，它可以自己給飯館、發(fā)廊等商業(yè)店面打電話，幫用戶預(yù)約時(shí)間。
具體效果可以先看看 I/O 大會(huì)現(xiàn)場的演示視頻：
在這兩則真實(shí)電話錄音中，Duplex 不僅用自然流暢的語音和電話另一頭的人類完成了交流，對方根本沒有意識(shí)到打電話來的居然是個(gè)「AI」，而且第二則錄音中它還成功地處理了意料之外的發(fā)展?fàn)顩r，不僅理解了「無需預(yù)定」，還主動(dòng)詢問了等位的時(shí)間。根據(jù)谷歌 CEO Sundar Pichai 介紹，他們未來還計(jì)劃進(jìn)一步拓展 Duplex 的詢問營業(yè)時(shí)間的能力，有一個(gè)用戶的 Google Assistant 打電話詢問了某家店面的營業(yè)時(shí)間，就可以把這個(gè)詢問結(jié)果同步給更多別的用戶，不僅節(jié)省了用戶/消費(fèi)者自己查詢的時(shí)間，也為店家節(jié)省了時(shí)間。實(shí)際上，這也是谷歌對 Google Assistant 的設(shè)計(jì)宗旨：為用戶節(jié)省時(shí)間，為用戶把事情搞定（get things done）。
谷歌也同步在 Google AI 博客上更新了 Duplex 的技術(shù)細(xì)節(jié)，雷鋒網(wǎng) AI 科技評(píng)論編譯如下。
長期以來，人類和計(jì)算機(jī)之間交互的目標(biāo)都是希望兩者之間可以進(jìn)行自然的對話，就像兩個(gè)人之間講話那樣。近幾年來，計(jì)算機(jī)理解和生成自然語音的能力出現(xiàn)了革命性的提高，谷歌語音搜索、WaveNet 之類基于深度神經(jīng)網(wǎng)絡(luò)的技術(shù)功不可沒。
即便如此，當(dāng)前最先進(jìn)的人機(jī)對話系統(tǒng)仍然只有生硬的電子聲音，而且也不理解人類的自然語言。具體來說，自動(dòng)呼叫系統(tǒng)即便只是識(shí)別簡單的單詞和控制指令都不令人滿意，更不用說跟人進(jìn)行自然的對話了。打電話的人需要調(diào)整自己的說法方式來適應(yīng)系統(tǒng)，系統(tǒng)卻沒辦法適應(yīng)打電話的人。
而今天發(fā)布的 Google Duplex 就包含了新的技術(shù)，它可以打電話給人類，通過自然的對話完成一系列真實(shí)世界的任務(wù)。這項(xiàng)技術(shù)目前針對的是執(zhí)行一些特定的任務(wù)，比如為某幾類活動(dòng)約定時(shí)間。在這些任務(wù)中，Duplex 能讓對話過程盡可能地自然，電話另一頭的人類可以像和另一個(gè)人說話一樣自然地交流，無需做任何調(diào)整（實(shí)際上對方可能根本就沒有發(fā)現(xiàn)這通電話不是人類打來的）。
在這項(xiàng)技術(shù)的研究中，一個(gè)重要的研究要點(diǎn)是把 Duplex 的功能限制在封閉的場景中，這些場景涵蓋的內(nèi)容足夠少，以至于 AI 系統(tǒng)可以充分地探索學(xué)習(xí)。相對應(yīng)地，Duplex 經(jīng)過這些場景的深入訓(xùn)練后，也就只能執(zhí)行這些場景內(nèi)的自然對話任務(wù)，還不能和人進(jìn)行一般的對話。
不過，根據(jù)開頭的視頻我們已經(jīng)感受到了，在這些任務(wù)中 Duplex 帶來了令人驚喜的表現(xiàn)，對話過程對人類來說非常舒適。
展開一段自然的對話有這么幾個(gè)難點(diǎn)：自然語言難以理解，人類的自然行為很難建模，人類對延遲的耐受性很低所以需要高處理速度，以及生成聽起來自然的語音，其中還要適當(dāng)?shù)貖A雜一些語氣詞。
當(dāng)人類和人類之間對話的時(shí)候，相比于與計(jì)算機(jī)對話，他們會(huì)使用更多的復(fù)雜句子。他們經(jīng)常一個(gè)句子說到一半然后更正一部分表述，會(huì)啰啰嗦嗦的，會(huì)依賴上下文然后省略一些單詞，還有時(shí)候會(huì)在一個(gè)句子里表達(dá)好多個(gè)意思。比如：「星期二到星期四我們從上午 11 點(diǎn)開門到下午 2 點(diǎn)，然后下午 4 點(diǎn)到 9 點(diǎn)重新開門，然后星期五六日我們，哦不對，星期五星期六我們 11 點(diǎn)開門到 9 點(diǎn)，星期天 1 點(diǎn)到 9 點(diǎn)。」
在天然的、自發(fā)的對話中，相比與計(jì)算機(jī)講話，人類會(huì)講得更快、講得更不清晰一些，這時(shí)候的語音識(shí)別也更難，單詞錯(cuò)誤率更高。在打電話的時(shí)候這個(gè)問題會(huì)更明顯，經(jīng)常會(huì)遇到背景噪音，通話質(zhì)量也不好。
在較長的對話中，根據(jù)上下文的不同，同樣的句子也可以有不同的含義。比如，「ok for 4」在預(yù)訂座位的時(shí)候就有可能指人的數(shù)目，也有可能指時(shí)間。相關(guān)的上下文句子可能會(huì)在好幾個(gè)句子之前，而受到電話中單詞錯(cuò)誤率的影響，這個(gè)問題又會(huì)變得愈發(fā)難解。
識(shí)別了對方的語義之后，AI 系統(tǒng)要說的內(nèi)容就是由當(dāng)前要執(zhí)行的任務(wù)和對話進(jìn)行的狀況共同決定的。除此之外，自然語言的對話中還有一些常見的語言習(xí)慣；這些約定俗成的句法模式包括：重復(fù)時(shí)說得更詳細(xì)一些（-「時(shí)間是下周五。」-「什么時(shí)候？」-「下周五，18 號(hào)。」），同步語句（「你聽得清嗎」），打斷（-「數(shù)字是 212…」-「對不起你能重新說一遍嗎」），以及停頓（「你可以稍等一下嗎 [停頓] 謝謝！」，1 秒的停頓和 2 分鐘的停頓又有不同的含義）。
借助語言理解、交互、時(shí)間控制、語音生成方面的最近技術(shù)發(fā)展，Google Duplex 的對話聽起來相當(dāng)真實(shí)自然。
為了處理上面提到的挑戰(zhàn)，Duplex 的核心是一個(gè) RNN 網(wǎng)絡(luò)，它是由 TensorFlow Extended（RFX）構(gòu)建的。為了達(dá)到高精度，谷歌用匿名的電話對話數(shù)據(jù)訓(xùn)練了 Duplex 的 RNN 網(wǎng)絡(luò)。這個(gè)網(wǎng)絡(luò)會(huì)使用谷歌自動(dòng)語音識(shí)別（ASR）的識(shí)別結(jié)果文本，同時(shí)也會(huì)使用音頻中的特征、對話歷史、對話參數(shù)（比如要預(yù)訂的服務(wù)，當(dāng)前時(shí)間）等等。谷歌為每一種不同的任務(wù)分別訓(xùn)練了不同的理解模型，不過不同任務(wù)間也有一些訓(xùn)練語料是共享的。最后，谷歌還利用 TFX 的超參數(shù)優(yōu)化進(jìn)一步改進(jìn)了模型。
谷歌聯(lián)合使用了一個(gè)級(jí)聯(lián) TTS 引擎和一個(gè)生成式 TTS 引擎（其中使用了 Tacotron 和 WaveNet），根據(jù)不同的情境控制語音的語調(diào)。
這個(gè)系統(tǒng)還可以生成一些語氣詞（比如“hmmm”、“uh”），這也讓語音變得更自然。當(dāng)級(jí)聯(lián) TTS 需要組合變化很大的語音單元，或者需要增加生成的停頓時(shí)，語氣詞就會(huì)被添加到生成的語音中，這就讓這個(gè)系統(tǒng)可以以一種自然的方式向?qū)Ψ绞疽狻笆堑奈衣犞亍被蛘摺拔疫€在考慮”（人類說話的時(shí)候就經(jīng)常在思考的同時(shí)發(fā)出一些語氣詞）。谷歌的用戶調(diào)查也確認(rèn)了人類覺得帶有語氣詞的對話更熟悉、更自然。
另一方面，系統(tǒng)的延遲也要能夠符合人類的期待。比如，當(dāng)一個(gè)人在電話里講了“你好”這樣的簡單句子之后，他們會(huì)希望很快聽到一個(gè)簡短的回復(fù)，這種時(shí)候會(huì)對延遲更加敏感一些。當(dāng) AI 系統(tǒng)檢測到了需要短延遲的情境時(shí)，就會(huì)使用更快但精度也更低的模型來處理。在某些極端情況下，系統(tǒng)甚至都不會(huì)等待 RNN 運(yùn)行，而是直接使用快速逼近模型（通常也會(huì)和更慢的正式回應(yīng)搭配起來使用，就像人類不完全理解另一方的時(shí)候會(huì)猶豫一樣）。這樣的做法就可以讓系統(tǒng)達(dá)到 100ms 之內(nèi)的極短延遲。有趣的是，谷歌發(fā)現(xiàn)在某些情況下要增加一些延遲來讓對話聽起來更自然，比如回復(fù)一個(gè)很復(fù)雜的句子的時(shí)候。
Google Duplex 系統(tǒng)可以進(jìn)行復(fù)雜的對話，它可以完全自動(dòng)地完成大多數(shù)任務(wù)，不需要任何人類參與。系統(tǒng)也有一個(gè)自動(dòng)監(jiān)控機(jī)制，不僅成功完成一個(gè)任務(wù)后可以給用戶彈出提醒，也可以識(shí)別出沒能成功完成的任務(wù)（比如處理某個(gè)異常復(fù)雜的預(yù)訂）。在這種情況下，它會(huì)給一個(gè)人類操作員發(fā)出指令，轉(zhuǎn)交給人類完成任務(wù)。
為了在訓(xùn)練系統(tǒng)處理新的情境，谷歌也使用了實(shí)時(shí)監(jiān)督訓(xùn)練。這種訓(xùn)練方式和許多事情的教學(xué)方法類似，都有一個(gè)教學(xué)者指導(dǎo)一個(gè)學(xué)生，邊做邊提供必要的指導(dǎo)，確保任務(wù)的執(zhí)行效果達(dá)到了教學(xué)者的質(zhì)量要求水平。在 Duplex 系統(tǒng)中，有經(jīng)驗(yàn)的人類操作員就可以作為這樣的教學(xué)者，當(dāng)系統(tǒng)打電話處理新的、不熟悉的情境時(shí)，人類操作員就可以實(shí)時(shí)影響系統(tǒng)的行為。這樣的邊做邊學(xué)的過程可以一直持續(xù)到系統(tǒng)達(dá)到了理想的表現(xiàn)為止，然后系統(tǒng)就可以全自動(dòng)地打電話了。
許多商戶并沒有自己的在線預(yù)定系統(tǒng)，仍然使用的是在線預(yù)定。Duplex 就可以幫助他們，無需改變每日的行為慣例或者培訓(xùn)員工，就可以讓用戶通過 Google Assistant 輕松完成預(yù)定。Duplex 也可以減少用戶放鴿子的情況，可以在手機(jī)上自動(dòng)提醒用戶預(yù)訂事項(xiàng)，以及幫助用戶輕松地取消或者重新安排時(shí)間。
也有一些情況下，用戶會(huì)打電話向商戶詢問營業(yè)時(shí)間，比如節(jié)假日期間的營業(yè)時(shí)間，一般在店鋪的在線信息頁面是看不到的。Duplex 打電話詢問之后可以通過谷歌服務(wù)把這個(gè)信息公開出去，省去了其它用戶打同一個(gè)電話、問同樣的問題的精力，也幫商戶節(jié)省了人力。同時(shí)，商戶自己就像往常一樣正常營業(yè)就行，這項(xiàng)新技術(shù)并不需要他們學(xué)習(xí)任何技能或者做任何改變就可以享受到便利。
對用戶來說，Google Duplex 當(dāng)然可以幫助用戶輕松地完成它支持的各種任務(wù)。用戶只需要和 Google Assistant 做簡單的互動(dòng)，Duplex 就會(huì)自動(dòng)在后臺(tái)打電話，并且自動(dòng)補(bǔ)全所需的用戶信息。
Duplex 還能給用戶增加一項(xiàng)便利，那就是可以非同步地作為服務(wù)提供商的代理，比如在非營業(yè)時(shí)間給商戶打電話，或者手機(jī)信號(hào)不好的時(shí)候，Duplex 在這種情況下就成為了一條額外的信息獲取途徑。它也可以幫助殘障人士或者語言不通的用戶，替聽力受損的用戶打電話完成預(yù)約，或者替用戶用另一種語言完成任務(wù)。
今年夏天，谷歌就會(huì)開始基于 Google Assistant 測試 Duplex，就從預(yù)訂餐館、預(yù)訂發(fā)廊、詢問節(jié)假日的營業(yè)時(shí)間這樣的事項(xiàng)開始。
一直以來，讓人們可以「像人與人互動(dòng)一樣自然地與科技互動(dòng)」都是谷歌的目標(biāo)。Google Duplex 就是邁向這個(gè)方向的一步，在特定場景下以自然的對話讓人和科技互動(dòng)。谷歌希望這些具體技術(shù)的發(fā)展也可以為人類和計(jì)算機(jī)的日常互動(dòng)帶來更有有意義的改進(jìn)。
via GoogleBlog，雷鋒網(wǎng) AI 科技評(píng)論編譯
相關(guān)文章：
你可能還不知道，WaveNet 為了進(jìn)駐 Google Assistant 做出了這些重大變化
Deepmind語音生成模型WaveNet正式商用：效率提高1000倍
專題
