753
通常情況，一款只能語(yǔ)音類產(chǎn)品在正式上市之前，在技術(shù)層面上需要多方配合，通常每一塊領(lǐng)域都有專門擅長(zhǎng)的團(tuán)隊(duì)提供技術(shù)，這個(gè)在之前做智能音箱產(chǎn)品介紹的時(shí)候有單獨(dú)提過。
接下來關(guān)于智能音箱常用架構(gòu)做一些參考說明，首先介紹如下常用詞：
ASR：Automatic Speech Recognition
NLP：Natural language processing
TTS：Text-to-speech
STT：Speech to text
分別為語(yǔ)音識(shí)別，自然語(yǔ)言處理，文字轉(zhuǎn)化為對(duì)話，以及對(duì)話轉(zhuǎn)換為文字。
那么在智能音箱的實(shí)際架構(gòu)上，首先，用戶與智能音箱之間的交互，通過ASR完成，也就是音箱上的麥克風(fēng)通過數(shù)據(jù)處理判斷用戶在說話，并通過喚醒詞，或功能喚醒詞等確認(rèn)用戶是在向音箱發(fā)送指令。常用語(yǔ)音助手指令例如Alexa，Cortana，Siri等等，都是專門經(jīng)過喚醒詞訓(xùn)練的。語(yǔ)音喚醒在學(xué)術(shù)上被稱為keyword spotting(簡(jiǎn)稱KWS)，它指的是在連續(xù)語(yǔ)流中實(shí)時(shí)檢測(cè)出說話人特定片段。語(yǔ)音喚醒系統(tǒng)的評(píng)測(cè)標(biāo)準(zhǔn)通常包括誤識(shí)率和拒認(rèn)率兩個(gè)部分。 誤識(shí)率指用戶未發(fā)出命令，但系統(tǒng)卻錯(cuò)誤的被喚醒的情況。拒認(rèn)率指用戶發(fā)出了喚醒命令，但系統(tǒng)卻沒有相應(yīng)的情況。誤識(shí)率和拒認(rèn)率越低，證明系統(tǒng)越穩(wěn)定。
這里額外提一下，喚醒詞（wake up words）的存在是為了方便用戶更好的向智能音箱傳輸指令，那么為了避免噪聲，數(shù)據(jù)處理不完全，有口音和發(fā)音問題等因素，我們需要針對(duì)這個(gè)喚醒詞做系統(tǒng)訓(xùn)練，以便能夠更加方便喚醒，并避免誤喚醒的情況。通常，市面上喚醒詞訓(xùn)練公司針對(duì)一個(gè)喚醒詞的模型訓(xùn)練量大概5000~8000，而通常訓(xùn)練數(shù)據(jù)也有精細(xì)數(shù)據(jù)，和粗略數(shù)據(jù)（后者訓(xùn)練效果可能沒有前者號(hào)），舉例如下一種非?；镜膯拘言~模型訓(xùn)練方案：
既，用產(chǎn)品本身的麥克風(fēng)模擬實(shí)際的收音現(xiàn)場(chǎng)，用戶分別在不同的距離面向產(chǎn)品，以三擋語(yǔ)速念出喚醒詞。當(dāng)然，粗略數(shù)據(jù)也可以找很多人，用手機(jī)麥克風(fēng)簡(jiǎn)單錄制數(shù)據(jù)，因個(gè)人的發(fā)音，語(yǔ)速，音調(diào)均會(huì)有所不同，因此也能起到訓(xùn)練意義。
硬件本身被喚醒之后，接下來麥克風(fēng)將開始“傾聽“用戶說話，目前有很多方案是將對(duì)話內(nèi)容生成wav錄音文件直接上傳至云端，開始進(jìn)行STT，也就是將一段音頻轉(zhuǎn)換為一段文字，數(shù)據(jù)信息從wav文件變成了text文件形式，但是此時(shí)我們還并不知道用戶意圖，這一段文字目前僅僅是text形式文件而已，接下來text會(huì)進(jìn)入下一個(gè)階段，也就是NLP處理（自然語(yǔ)義理解），自然語(yǔ)言處理（英語(yǔ)：Natural Language Processing，縮寫作 NLP）是人工智能和語(yǔ)言學(xué)領(lǐng)域的分支學(xué)科。此領(lǐng)域探討如何處理及運(yùn)用自然語(yǔ)言；自然語(yǔ)言處理包括多方面和步驟，基本有認(rèn)知、理解、生成等部分。自然語(yǔ)言處理的主要范疇包括中文自動(dòng)分詞、詞性標(biāo)注、句法分析、自然語(yǔ)言生成、文本分類、信息檢索、信息抽取、文字校對(duì)、問答系統(tǒng)、機(jī)器翻譯、文字蘊(yùn)涵、命名實(shí)體識(shí)別等。
目前比較專精在中文NLP供應(yīng)商有三角獸、驀然認(rèn)知、圖靈、靈犀等；（其他很多同樣積累NLP技術(shù)的公司，但是可能提供了可提供麥克風(fēng)陣列、語(yǔ)音喚醒、語(yǔ)音識(shí)別、語(yǔ)義理解、語(yǔ)音合成等一系列語(yǔ)音技術(shù)，甚至平臺(tái)技術(shù)，故不做此列）
這里既接入另外一個(gè)概念， Named Entity Recognition (NER) 命名實(shí)體識(shí)別，簡(jiǎn)單了解既講一段文字進(jìn)行分詞，用于進(jìn)一步的文本意圖理解，概念介紹如下：
那么，很多接觸過NLP的小伙伴們也大概了解，很多公司在NLP領(lǐng)域做專門研究，國(guó)內(nèi)目前也很有多機(jī)構(gòu)正在做相關(guān)研究，具體可以參考此篇文章：NLP（中文）團(tuán)隊(duì)研究
目前專精于NLP的團(tuán)隊(duì)的技術(shù)背景，通常需要有搜索引擎以及百科類知識(shí)圖譜的框架。難點(diǎn)也在于，很多名詞指向的內(nèi)容分類有可能是多方面的，既可能是音樂類，也可能是百科，閑聊，有聲讀物類，故而在區(qū)分意圖方面需要經(jīng)常調(diào)整架構(gòu)，這也是那句“人工智能靠人工“的調(diào)侃由來吧。
總之，理解了用戶的意圖，并給出準(zhǔn)確的回答這一套邏輯，最終，生成了給到用戶的完整回答。比如，現(xiàn)在時(shí)間是XX；馬上為您播放周杰倫的《晴天》live版等等；并在云端將文字轉(zhuǎn)換成音頻，也就是我們常說的TTS（語(yǔ)音合成），它是將人類語(yǔ)音用人工的方式所產(chǎn)生。文字轉(zhuǎn)語(yǔ)音（text-to-speech，TTS）系統(tǒng)將一般語(yǔ)言的文字轉(zhuǎn)換為語(yǔ)音。
目前國(guó)內(nèi)的主流語(yǔ)音合成方案有科大訊飛、搜狗、云知聲、思必馳等。
而語(yǔ)音合成目前市面上一般使用參數(shù)合成，或者拼接合成，前者的音庫(kù)都是在10小時(shí)左右，基本用不到20小時(shí)，對(duì)于合成人聲效果的自然度，更依賴算法，而拼接則對(duì)于數(shù)據(jù)的需求量很高，對(duì)合成人聲效果的自然度，更依賴數(shù)據(jù)量。很多聽起來很自然的音庫(kù)時(shí)長(zhǎng)在100~200小時(shí)左右。
以及，TTS模型通常也會(huì)分為中文，英文，或者中英混輸?shù)?。做?xùn)練的文本，有很多文字比較拗口，故而對(duì)錄音聲優(yōu)的功力有要求，中英混輸?shù)哪Ｐ蛿?shù)據(jù)就更難了。如果是普通的中文TTS模型，以剛才的例子“馬上為您播放周杰倫的《晴天》live版本”，這種就可以在錄音時(shí)加入一些簡(jiǎn)單的字母，單詞，短語(yǔ)等等。
合成的wav文件回傳到終端音箱，并播放出來，如此，完成了一環(huán)基礎(chǔ)的用戶與智能硬件之間的對(duì)話。
P.S.這里單獨(dú)介紹一個(gè)常與自然語(yǔ)言處理弄混的概念：Neuro-linguistic programming (NLP)
通常用于我們說的機(jī)器學(xué)習(xí)，或者神經(jīng)網(wǎng)絡(luò)處理，通常是指我們通過Sigmoid函數(shù)嘗試模擬人腦神經(jīng)之間傳遞并處理信息的方式。關(guān)于Perception以及Sigmoid函數(shù)的概念區(qū)別，后面會(huì)單獨(dú)做一個(gè)相對(duì)生動(dòng)的舉例來做說明，總體的信息處理模式非常類似于我們電路常用與或非門，這一部分（模擬計(jì)算機(jī)處理），在《三體》里面有更加生動(dòng)的描述，非常有趣。
