<mark id="oztn4"></mark>
2
| 本文作者： 陳孝良 | 2016-12-05 12:17 |
雷鋒網按：本文作者陳孝良，工學博士，聲智科技創始人。雷鋒網獨家文章。
11月30號，亞馬遜的AWS發布了三項人工智能技術服務：Amazon Rekognition，Amazon Polly和Amazon Lex。其中，除了Amazon Rekognition屬于圖像識別技術，其他兩項服務都是語音交互的鏈條。Amazon Polly 利用機器學習技術，能夠快速實現從文本到語音的轉換。Amazon Lex 就是亞馬遜的人工智能助手 Alexa 的內核，而 Alexa 已經被應用于亞馬遜的 Echo 系列智能音箱。
根據AWS服務網頁的示例展示和實際調用，Polly 的發音與人聲已經非常相像，很多時候已經很難分辨機器與人聲的界限。不僅如此，Polly 還能夠按照語境對同形異義詞的發音進行區分，比如說，在 “I live in Seattle” 和 “Live from New York” 這兩個不同的語境下，單詞 “Live” 的發音是不同的，而 Polly 在發音過程中就能夠很好把握它們之間的區別。Amazon Polly 共擁有 47 種男性或女性的發音，支持 24 種語言，遺憾的是目前還不支持漢語。
相對Amazon的節奏，Google似乎慢了許多，早在9月初，Google的DeepMind實驗室公布了其在語音合成領域的最新成果WaveNet，一種原始音頻波形深度生成模型，能夠模仿人類的聲音，生成的原始音頻質量優于目前常用的語音合成方法，包括參數化合成（Parameric TTS）與拼接式合成（Concatenative TTS）。
參數化語音合成是最常用也是歷史最悠久的方法，就是利用數學模型對已知的聲音進行排列、組裝成詞語或句子來重新創造聲音數據。當前機器人的發音主要就是采用的這種方法，不過參數化合成的語音聽起來總是不自然，真的就像機器發出的聲音。
另外一種就是拼接式語音合成，先錄制單一說話者的大量語音片段，建立一個大型語料庫，然后簡單地從中進行選擇并合成完整的大段音頻、詞語和句子。我們有時會聽到機器模仿某些明星的聲音，其背后技術就是這種方法。但是這種方法要求語料庫非常大，而且處理不好就經常產生語音毛刺和語調的詭異變化，并且無法調整語音的抑揚頓挫。
WaveNet則引入了一種全新的思路，區別于上面兩種方法，這是一種從零開始創造整個音頻波形輸出的技術。WaveNet利用真實的人類聲音剪輯和相應的語言、語音特征來訓練其卷積神經網絡，讓其能夠辨別語音和語言的模式。WaveNet的效果是驚人的，其輸出的音頻明顯更接近自然人聲。
WaveNet技術無疑是計算機語音合成領域的一大突破，在業界也引起了廣泛討論。但是其最大缺點就是計算量太大，而且還存在很多工程化問題。但是短短3個多月，亞馬遜就已經憑借Echo的數據和技術的快速迭代，搶先將類似的技術應用到產品之中，而且正式開放給AWS用戶進行使用和測試。
更為重要的是，亞馬遜同步正式開放了Amazon Lex的服務，Lex 能夠幫助用戶建立可以進行多重步驟的會話應用，開發者可以通過它來打造自己的聊天機器人，并將其集成到自己開發的 Web 網頁應用或適用于移動端的 App 中去。它也可以被應用于提供信息、增強程序功能，甚至用來控制無人機、機器人或玩具等。
這就很有意思了，從下面一張語音交互的技術鏈條來梳理一下亞馬遜的策略。亞馬遜首先從語音識別公司 Nuance 挖了一批人才，2011年又收購了兩家語音技術創業公司 Yap 和 Evi，實現了語音識別的技術布局。隨后啟動了適應遠場語音交互Echo產品的研發工作，并在2015年和2016年成為了最成功的智能硬件產品。Echo產品幫助亞馬遜實現了以麥克風陣列為核心技術的硬件終端技術的布局。這兩項技術的布局積累，幫助亞馬遜快速發展，其語音助手團隊快速拓展到千人規模，憑借龐大的數據和深厚的人才積累，亞馬遜在智能交互領域持續發力，擁有更好體驗的TTS和NLP也實現了快速迭代，奠定了亞馬遜在智能語音交互應用領域的領先地位。
事實上，從今年下半年語音交互市場的突然爆發，幾乎每隔一個多月，語音交互的效果都會出現較大的提升。那么為何語音交互技術的迭代會如此迅速？可以從下面幾點來窺得一斑：
1、 語音交互技術鏈條的成熟
深度學習帶給了語音識別巨大的進步，但是以Siri為代表的手機語音交互一直不溫不火，直到Echo和車載這類智能設備的出現，語音識別才突破手機的限制，真正落地到真實的垂直場景。這個轉變不僅僅是場景的轉變如此簡單，實際上這從認知和技術上都是一個巨大的變化。真實場景的語音識別面向的是真正用戶，因此能否滿足用戶需求就是一個關鍵問題。當前的用戶對于人工智能的要求其實并不高，而是希望確實能夠解決一些具體問題，但是顯然通用的語音交互總是伴隨著智慧的概念，根本就無法做到令用戶滿意。因此語音交互的落地首先就要考慮是否能夠先服務好用戶，這是一個關鍵的認知變化，而且基于這種認知，語音交互的免費策略似乎就不重要了，用戶更為關注的是性能而非低價。另外一點就是技術鏈條的成熟，語音識別從手機轉向垂直場景，需要解決遠場語音識別和場景語言理解的問題，亞馬遜率先解決了這些問題，國內科大訊飛和聲智科技也隨后補齊了這個鏈條。目前來看，智能語音交互的技術鏈條趨于成熟，已經不存在較大的障礙。
2、 真實場景數據規模的擴大
隨著Echo的熱賣，對于場景交互尤為重要的真實數據急劇增加，原先訓練可能只有幾千或者幾萬個小時，但是亞馬遜已經從已售設備中獲取了幾千萬的數據，而當前的訓練已經是十萬級數據的規模，將來百萬級的數據訓練也會出現。事實上，這些龐大的數據中囊括了用戶時間長度和空間維度的信息，這是手機時代絕對做不到的，從這些豐富信息之中，即便簡單搜索提升的效果都是驚人的。
3、 云端計算能力的不斷提高
擁有了龐大的數據量，自然就急需要計算能力的不斷提升，前幾天Intel召開發布會，雷鋒網現場也做了直播，CPU和GPU的綜合計算能力再次提升了20多倍，這相當于原先需要訓練20天的數據，現在可能不到1天就能完成，這是語音交互產業鏈條的根本性保證。
4、 深度學習人才聚集的效應
技術、數據、計算鏈條的相對完善，核心還需要人才的驅動，而隨著人工智能的熱潮，不斷有更多相關人才從科院機構和院校走出來加入這個行業。創業公司的競爭是可怕的，這群大牛才華橫溢，卻沒日沒夜的拼搏，其效率提升到其他任何時代可能都難以匹及的程度。
總之，智能語音交互這個鏈條已經具備了大規模普及的基礎，等待的只是用戶習慣的改變，而這種改變正在逐步發生?？深A見的幾年，語音交互應該相對于其他人工智能技術，應該是最先落地的一種技術，而且其迭代的速度可能會超過我們的預期。但是語音交互仍然還有很多問題需要解決，包括終端技術的低功耗和集成化、語音識別的場景化和一體化，以及語言理解的準確性和引導性。
未來幾年，智能語音交互的迭代至少還要解決如下幾個問題：
一是如何基于用戶提出的多種多樣的、基于情感的、語意模糊的需求進行深刻分析，精確理解用戶的實際需求；
二是如何將各種結構化、非結構化、半結構化的知識進行組織與梳理，最終以結構化、清晰化的知識形式完整地呈現給用戶；
三是如何猜測用戶可能會有什么未想到、未提出的需求，從而先人一步為用戶提供相關的擴展信息；
四是如何將信息進行有效地組織與整理，以條理化、簡潔化、直接化的形式呈現給用戶。
談及最后一個問題，又不得不說下亞馬遜Echo為何要考慮加個7寸屏了，這雖然會使Echo的品類屬性減弱，但是在AR還沒有發展起來之前，確實也沒有更好的辦法。畢竟Echo缺少一個使得人機交互更完整的重要的組件——視覺交互，沒有用戶界面或上下文元素的基于語音交互的系統是不完整。用戶可以通過聊天的方式來播放音樂、定時、控制燈光，獲得新聞頭條，然而當用戶在線訂單想比較一下兩種產品的價格，各種性能參數，或者想看一下未來一周天氣預報的溫度趨勢，用戶目前來說還是需要一塊屏。正是基于這種考慮，聲智科技提供的智能音箱解決方案中，恰好有一個型號也是搭配了7寸顯示屏。
雷峰網原創文章，未經授權禁止轉載。詳情見轉載須知。
