投递人 itwriter 发布于 2018-03-30 09:49 原文链接 [收藏] « »

  3 月 29 日下午消息,一周前,微软正式宣布“全双工语音交互感官”已完成产品化落地。与既有的单轮或多轮连续语音识别不同,这项新技术可实时预测人类即将说出的内容,实时生成回应并控制对话节奏,从而使长程语音交互成为可能。

  昨天,微软(亚洲)互联网工程院副院长、微软小冰全球负责人李笛和微软小冰全球研发负责人、首席架构师周力,与媒体分享了微软对这项新技术底层框架设计的探索。

  李笛介绍,目前全球范围内,对基础框架的基本理念可以分为两种:Turn-oriented 和 Session-oriented,对应的产品分别是小娜和小冰。

  Turn-oriented 框架支持下,每一次对话进入后都会面对一个十字路口,路口中心有指挥交通的民警,当一个命令输入,民警负责根据指令进行引导。

  比如询问小娜天气,她会迅速把你引导至“天气”方向,提炼相关内容,然后输送出来。当天气的任务完成以后,“民警”重新回到十字路口中心,一切归零,下一个问题会是个新的开始。

  当遇到解决不了的问题时,小娜会通过 control 引导到搜索引擎来完成。这种方式可以更便捷地解决问题,却不是很好的对话。Turn-oriented 的上限决定了她未来的发展空间有限。

  所以有了小冰,她的技术底层框架是 Session-oriented,使得“完成任务”与“无用聊天”混合在一起,让对话像河流一样不间断进行,从一个 turn 往下一个 turn 走。整个 Session 的质量要优于单一任务完成的质量。

小冰的设计,是把 EQ 作为基础来展现 IQ
小冰的设计,是把 EQ 作为基础来展现 IQ

  这样的小冰,在夫妻争论谁应该做家务时,甚至可以参与讨论。

  李笛认为,AI 本身应该先于硬件成为让人们依赖的最重要的因素。当小冰这样的人工智能系统出现,无论是 IOT、车载、家庭等环境,都是人工智能的一个载体,而非人工智能成 IOT、音箱等硬件产品的一个功能。

  “一旦你使用过微软小冰,就很难退回到过去的 Turn-based 的体验。”李笛说到。

  对于 Session-oriented,周力在会上进行了四点技术方面披露。

  1、边听边想

  全双工语音具有流式思路,又叫预测模型,具有这项技术的小冰对语音的识别不再是一条消息、一条消息的识别,而是一个字、一个字的识别,同时识别出目前可能的话,预测对方整句话是什么。这就让操作与对话都更流畅。

  2、节奏控制器

  这点的作用,是小冰会根据人话量大小与内容,调整自己的话量。

  3、对声音场景的理解

  小冰全双工语音技术

  这点包括对对话对象性别、情绪的识别,对背景声音、歌声与任务下达的差别、与第三方对话等等的识别与理解,等等。

  4、自然语言理解与生成模型

  深度学习中,有一种循环的神经网络,叫 RNN,衍生出的技术如 GLU、LSTM 等等。它会把输入话的每一字或单词转化成向量,在这个向量中,人每多说一个字就进行一次迭代计算。

  这就让输入、输出以流的形式进行,生成模型更适于引流性交互。

  在这种生成模型下,对话可以实现更好的浓缩性,当人说出第一个词,小冰已经开始生成对应的语音音频的文件,她的上下文在整个 session 完成之前就已经被计算过了。

  该生成模型也可以帮助理解场景,更好的判断何时结束对话。

  李笛最后表示,自己最近听到一个说法,现在的硬件要成功,30% 靠内容,30% 靠价格和销售渠道,30% 靠工业设计和语音质量等等,剩下的,并没有给人工智能留下很大空间。而这次微软小冰全双工技术的分享会,正是这些多年沉迷人工智能技术的研究者们在向外界传递一个信息:当我们聊人工智能的时候,技术或许才是真正的核心。

 
来自: 新浪科技
找优秀程序员,就在博客园 收藏 新浪微博 分享至微信
标签: 微软 小冰

24小时阅读排行

    最新新闻

      相关新闻