一篇看懂服务机器人语音交互与“三大技术”的因果关系

随着时代的发展和人工智能技术的愈加完善, 智能服务机器人已越来越广泛地应用于各行业、各领域当中, 如我们随处可见的迎宾机器人、智能讲解机器人、会场机器人等, 为缓解劳动力短缺和工作人员的压力起到了重要作用。

当我们与服务机器人进行语音对话时, 是否想过, 它是依靠什么技术接收到我们的声音, 并给予及时、准确地回复的呢? 比如说:"今天天气怎么样"? 服务机器人马上会说:"今天天气晴朗, 气温为 10℃-22℃", 伴随有 4-5 级的东南风……

其实, 服务机器人的语音交互原理与我们人类是相似的, 实现正常的互动必须满足三个条件: 用耳朵听、用大脑理解、用嘴巴回答。服务机器人实现智能交互的"三大技术"分别为语音识别技术 (ASR), 相当于它的"耳朵"; 自然语言处理技术 (NLP), 相当于它的"大脑"; 语音合成技术 (TTS), 相当于它的"嘴巴"。

当我们提出问题后, 智能服务机器人将通过麦克风接收声音, 声音将通过语音识别技术 (ASR), 把声学语音转换为服务机器人能够识别的文字、字母信息。如上图所示, 在宁夏博物馆嘈杂的环境中, 小笨智能服务机器人可通过语音识别技术 (ASR) 准确"倾听"游客声音, 并转换为其能够识别的语言, 为下一步对语义的分析、理解做准备。

小笨智能服务机器人语音识别技术 (ASR) 采用国际先进算法, 通过编码, 把语音转换为小笨智能服务机器人可以识别的样式 (即数字向量表示), 因为声音信号是服务机器人没有办法直接识别的, 需要将声音切割成一小段一小段音频, 然后每一小段都按一定规则的数字向量来表示。

然后就是解码的过程, 即将数字向量拼接为文字、字母的过程。将编码好的向量放置于声学模型和语言模型中, 就可得到每一小段对应的文字、字母, 然后把翻译出来的文字、字母再经过语言模型, 就可组成小笨可识别的单词。

当然, 声学模型和语言模型也是个神经网络, 是小笨智能服务机器人通过大量的语音和语言数据训练出来的, 这也是小笨智能服务机器人可以准确识别各种复杂语音的原因之一……

解码完成后, 可识别的单词信息将通过服务机器人的自然语言处理技术 (NLP) 来准确理解客户意图、情感倾向等信息, 此为语音交互中的核心之一, 也是最难的模块之一。

自然语言处理技术 (NLP) 通过语法分析、句法分析、语义理解文本相似度处理、情感倾向分析等技术, 具备衡量人们观点和倾向的能力, 可精准区分出哪些话属于这个意图, 哪些表达不是这一类意图。小笨智能自主研发的自然语言处理技术 (NLP) 可将接收到的信息进行分析、理解, 上图为小笨智能服务机器人在济南能源集团办事大厅, 前来办理业务的群众只需要说出需求, 即可准确理解群众意图, 并从"5G 云端大脑"中提取出相对应答案, 发出准确的回复指令。

小笨智能服务机器人"5G 云端大脑"储存着海量知识库, 可支持生活常识、天气、机票等信息查询, 并同步企业各类形式的信息, 使企业信息通过语音、视频、动图等形式展现出来, 满足访客 98% 以上的日常闲聊或企业业务问答。

当服务机器人发出回复指令后, 还需要用"嘴巴"说出来, 这就需要使用语音合成技术 (TTS), 即把回复指令转换为人类能够听懂的声音。如下图, 在济南长途汽车总站小笨智能服务机器人"理解"完游客的问题后, 于"5G 云端大脑"中提取出准确的回复指令, 并转换为游客能够理解的语音、视频、图片等形式, 让游客轻松掌握出行信息。

语音合成技术 (TTS) 的工作流程可分为两步, 第一步为文本处理, 这一步做的事情是把文字或字母指令转化成音素序列, 并标出每个音素的起止时间、频率变化等信息, 这一步的作用不可小觑, 比如拼写相同但读音不同的词的区分、缩写的处理、停顿位置的确定等。

第二步为语音合成, 这一步是指根据已经标注好的音素起止时间、频率变化等生成语音, 最终通过扬声器准确表达出来。

小笨智能语音合成技术 (TTS) 技术可对文本实现实时转换, 转换时间可以按秒计算, 文本输出的语音音律流畅, 让听者在听取信息时感觉自然, 几乎没有机器语音输出的冷漠与生涩感。

小笨智能强大的自然语言处理能力, 可满足在不同应用场景中高效、准确服务, 针对不同的应用场景, 同步不同的样本数据, 所以, 小笨智能已服务过的 6000 + 客户中, 覆盖政务大厅、法院、商场、机场等全行业场景, 满足了不同企业的差异化需求。

从语音识别到智能问答, 从意图识别到情感分析, 无不显示小笨智能服务机器人在当代对场景深层次服务的执着追求。未来, 小笨智能将继续坚持为企业、为社会提供有价值的见解, 使传统行业焕发新生力, 让我们的生活更方便、更高效。