<mark id="oztn4"></mark>
2
| 本文作者： 亞萌 | 2016-11-16 17:09 | 專題：微軟亞洲研究院院友會 |
11 月 14 日，微軟亞洲研究院迎來了18周年的紀念日，并宣布成立微軟亞洲研究院院友會。來自阿里巴巴的初敏博士為大家帶來了名為《語音交互-物聯網時代的入口》的演講，她認為語音交互成為風口的主要原因是數據驅動和廣泛的硬件端接口的布局，阿里云 ET 在雙十一的字幕表現并不理想，主要是因為現場環境十分復雜，而自然語言理解是后續做好語音交互的關鍵所在。
(初敏博士)
以下為初敏博士演講摘錄。
我最好的年齡和時間就是在 MSRA 里度過的。其實在 MSRA 最后兩年沒有再做語音，因為當時的感覺就是世界發生了天翻地覆的變化，但是跟語音沒關系，所以后來就轉向做大數據之類的事情。
后來到了阿里也幾乎沒有做語音，一直到了 2014 年底，阿里才開始要做語音。所以做的時間并不長，但這次有一個大的不一樣的感覺：誒，這次好像真的是到風口上了。現在的數據、計算能力跟之前非常不一樣，有很多的語音的需要和應用場景。
我今天不會太多地講技術，會主要講一些應用場景及在應用中碰到的困難。
今天為什么人工智能、深度學習這一塊能火起來，主要是因為今天有“數據驅動”：數據和計算能力的增強，使得我們可以在很多方面做得精細。
另外就是，入口在變化。今天手機已經幾乎能夠處理 PC 做的事情，另外家里的汽車、音箱、電視等設備，也成為新的入口。我們在不同設備之間切換，語音會成為這些設備最好的交互方式，因為它是最方便的、最自然的交互方式。
語音的概念在改變，傳統講語音，指的就是語音合成、語音識別等。如今的語音，一定是一個泛概念，一定包含著后續的自然語言處理。如果一句話被你識別出來做出文字內容，但你理解不了這些文字包含的內容，其實后續很多事情都是做不了的。
語音交互有兩個層面可以做，一個是在操作系統底層做，可以跨設備使用；另外就只是一個 API，任何一個 App 都可以調用。
我們阿里這邊，最近的展示阿里云 ET，它其實是代表了各種人工智能技術的集合。而人類能與阿里云 ET 真正互動起來，其實是靠語音。
前兩天雙十一晚會有一個變魔術的節目，其實是非常困難的，因為它是直播。我們做下來最大的體驗就是：真的想用，還是很不容易的。
現場一堆問題，我們要對接 10 多個團隊，音頻信號團隊、視頻信號團隊、導演彩排等，我們到最后一次彩排都是出問題的。
我們當時也打了字幕，我個人認為當天的字幕并不理想，因為日程緊張，主持人語速很快，這就是很大的挑戰。
雙十一當晚，我們在媒體中心的活動上也打了字幕，這個字幕效果就好很多。我們后來統計這一場的錯誤率大概 3% 左右，其實就是因為這一場的環境簡單。
所以我們到今天也還在思考：這個真的能用了嗎？如何把這樣一個看似很成熟的技術，能在各種真實的場景中應用起來，這還是一個系統工程的事情。
打字幕這個功能，我們目前真正在用的場景就是法院，快速形成庭審的速記稿。這在浙江的高等法院已經部署了，這個反應是比較好的。以前法官為了要讓書記員記下來，他是要控制節奏的，而且速記員在記得過程中也要篩減內容。在庭審的幾場演示中，基本都可以做到 95-96% 的準確率，這就很能用了，而且稿子都是法官原汁原味講出來的。
有了云的平臺架構的基礎之后，任何一個端接進來，最主要的挑戰都是端上語音信號的采集和處理。
我們語音的一個應用就是：個人助理。我們在 YunOS 操作系統上做了個人助理，另外還包括汽車里的。汽車里還是要解決降噪的問題，我們最近做的事情就是，開著車窗、播著音樂，如何在這樣的環境下讓系統可以喚醒地很好。因為我們測試的汽車上只有一個麥克風，主駕駛和副駕駛上的人說話是不一樣的，一個人抬著頭和低著頭說話是不一樣的，所以在接入的時候會有很多很多這樣細節的問題。
另外還有應用的直達。以支付寶為例，這個 App 里有很多小的功能，你想找一個事情是很痛苦的。我們做了一個稱為“Open Dialogue”的小架構，業務方在這個基礎之上自己去開發一些簡單的理解。比如用戶對著手機說“我要給某某轉賬多少錢”，那么就會直接加載出這么一個轉賬的界面。這樣用戶就不用在各種界面里選，我覺得這將是語音給我們帶來的最大價值：在有太多選擇的時候，用說話就能觸達到我要的那個點。
但要做到這一點，背后的技術就不僅僅是識別，而是你如何快速地接入任何一個場景。因為你換一個 App，你說的話就是不一樣的，語義理解上要覆蓋的 Domain 是不一樣的。這里的挑戰就是你要怎樣建立一個可擴展的的架構，讓任何一個新的業務、新的 Domain 來快速地接入。
我們還有一個嘗試領域就是客服。中國目前的客服很多都是打電話，然后按很多數字選項才能接入到你想要的客服選項。這當中其實有很多數據是可以沉淀下來的，沉淀下來之后就可以進行學習。
在客服系統中分為幾個部分，一個部分就是語音識別，把語音轉為文字，另一個就是問題的分類，分類到兩個地方，一個是機器人自助的服務（常規的、簡潔的資詢類問題），一個是人工服務，來解決更復雜的問題。
阿里集團的客服，基本上走的是這個路子：90% 的客服請求，基本都是機器處理掉的。
這個過程中，電話被文字化，數據會不斷地沉淀下來，有很多價值待發掘。一個就是質檢客服質量，這其實是一個剛需，還有就是用來發掘用戶喜歡什么樣的產品。
我們如今很難做到一個通用的模型，來適應不同的場景。數據先驗的分布，跟你所定義的場景有關。讓一個模型快速適應不同的場景，這是現在最大的挑戰。
不同的應用場景，需要技術手段是不一樣的。比如我們最常見的，問個天氣、酒店、航班等信息，他是很結構化的 Domain，針對特定的 Domain 做，是很容易的。
但用戶不會遵循 Domain 說話，他會跳來跳去，那難點就是，上下文當中哪些信息該繼承，哪些信息不該繼承。
另外，在客服的過程中，如何把用戶的幾萬條語義計算出來，認為它們是相同的，這也是難點。傳統是用搜索的方法來做，但搜索只是擊中了幾個關鍵詞，有時經常會答非所問。
所以我們覺得人機交互往后最大的瓶頸可能就是在這個地方，就是自然語言處理是否能做的更好。
我們今天的團隊任務很集中，只做了語言的交互，并沒有做數據本身，因為做數據這個工程實在是太大了。所以要把很多的數據服務接進來，但是有時這些數據與語音接入的時候，并不是很友好，這是一個需要改進的地方。
所以這一盤，如果要做通的話，是一個非常大的范圍，也不是一個兩個團隊自己能做完的，要靠生態來完成。
延伸閱讀：
徐一華首揭真相：中國做工業機器人的沒有哪家是賺錢的 | 微軟亞洲研究院院友會
凌海濱：未來AR要實現非平面的識別和跟蹤 | 微軟亞洲研究院院友會
雷峰網原創文章，未經授權禁止轉載。詳情見轉載須知。
專題
