语音交互是AI最重要的领域之一，也是目前落地产品比较成熟的领域。比如智能客服、智能音箱、聊天机器人等。都有成熟的产品。语音交互的主要组成部分是什么？你主要处理什么任务？你目前遇到了什么困难？本文将与您讨论。
00-1010让我们以一个智能扬声器的例子开始今天的讨论：
假设我们对智能音箱天猫精灵说“玩个周杰伦《晴天》”。天猫会说“好的，我马上给你放周杰伦的《晴天》”然后开始放音乐。
猫精灵在这个过程中做了什么？
天猫精灵首先将听到的声音转化为文字，然后理解内容，最后制定相应的策略，将应对策略转化为声音。
因此，语音交互可以分为以下三个模块：
自动语音识别：简称ASR，是将声音转换成文字的过程，相当于耳朵。自然语言处理(NLP):简称NLP，是理解和处理文本的过程，相当于大脑。文字转语音：简称TTS，是将文字转换为语音的过程，相当于嘴巴。让我们在下面详细介绍每个模块。
00-1010一般来说，语音识别有两种方法：
“传统”识别方法一般采用基于深度神经网络的隐马尔可夫模型(HMM)的“端到端”方法。两种方法都需要经过“输入-编码-解码-输出”的过程。
01 语音交互的组成
编码就是把声音转换成机器可以识别的模式，也就是用数字矢量来表达。
计算机无法直接识别输入的声音信号。首先需要将声音信号切割成小段，然后按照一定的规则用一个向量来表示每一段。
00-1010解码是将数字向量拼接成文字的形式。
首先把编译好的矢量放入声学模型中，就可以得到每个小段对应的字母是什么。
然后，翻译后的字母可以通过语言模型组装成单词。
当然声学模型和语言模型也是神经网络，是通过大量的语音和语言数据训练出来的，这里就不多说了。
这是一场大脑风暴：
神经网络能不能做到，不需要编码解码的过程，不需要声学和语言模型，直接把声音信号扔进神经网络进行训练，最后输出的结果是文字，让机器学习具体的中间过程是什么。如果能做到这一点，我觉得很酷。它看起来真的很聪明吗？
02 语音识别（ASR）
NLP是语音交互中最核心、最难的模块。
NLP主要涉及以下技术：文本预处理、词法分析、句法分析、语义理解、分词、文本分类、文本相似度处理、情感倾向分析、文本生成等。但不仅限于这些，还涉及许多复杂的技术。让我们挑几个主要的技术点，简单聊一聊。
00-1010 1)去噪：
只要与输出无关，我们就称之为噪声，如空格、换行符、对角条等。
去噪后的文字变得更加规范，不会出现杂乱的符号，这对后续处理非常重要。
2)词汇规范化
这在处理英文文本时常用，如“play”、“player”、“played”、“plays”和“playing”是“play”的各种表示。虽然意义不同，但语境相似，这些形形色色的词是可以规范化的。
规范化是文本特征工程中的关键步骤，因为它将高纬度特征(n个不同的特征)转换为低维空间。
00-1010 1)分词
分词就是把一个句子分成多个单词。
比如输入“明天深圳的天气怎么样？”，这句话将分为“明天/深圳/天气怎么样”。其中，“明天”“深圳”“天气”是这句话的关键词。用关键词匹配内容。
2)实体标识
实体抽取：指对文本中特定类别的实体进行抽取，如名称、地名、数值、专有名词等。
比如输入“詹姆斯在NBA打了多少年”，其中“詹姆斯”是一个实体词，电脑或许可以通过当前时间和詹姆斯加入NBA的时间给出他在NBA的年龄。
实体识别广泛应用于信息检索、自动问答、知识图谱等领域。目的是告诉计算机这个词属于某种类型的实体，有助于识别用户的意图。
2.1 编码
的主要目的是对文献(文章)的主题进行分类，如经济学、体育、文学等。
等。
解决文案分类问题，比较经典的算法是TF-IDF算法。
TF-IDF的主要思想是：如果某个词或短语在一篇文章中出现的频率TF高，并且在其他文章中很少出现，则认为此词或者短语具有很好的类别区分能力，适合用来分类。
别说“NBA”这个在一篇文章中出现的次数比较多，但又很少在其他文章中出现，那这篇出现多次“NBA”这个词的文章很可能就是体育类文章。
3.4 文本相似度处理
文本相似度通常也叫文本距离，指的是两个文本之间的距离。文本距离越小，相似度越高；距离越大，相似度越低。
比如：用户输入“这件衣服多少钱”或者说“这件衣服怎么卖”，这都是很口语化的句子，那要怎么给用户返回“衣服价格”呢？就是根据文本相似度处理的。
需要我们计算出“多少钱”、“怎么卖”跟“价格”的相似度，然后根据相似度去匹配最佳答案。
应用场景：推荐、排序、智能客服以及自动阅卷等。解决之前只能靠关键词精准匹配问题，识别语义，扩大了应用的范围。
3.5 情感倾向分析
情感倾向分析，主要分为两大类：情感倾向分类、观点抽取。
1）情感倾向分类
情感倾向分类是识别文本的情感倾向，如：消极、积极、中性。
比如：“这家餐馆不错，服务态度好、价格便宜”，整个句子是积极的评价。
情感倾向分类对给用户打标签，给用户推荐内容或服务，有比较好的效果。
2）观点抽取
观点抽取是把句子中的观点抽取出来。
还是“这家餐馆不错、服务态度好，价格便宜”这个句子，其中“服务态度好”、“价格便宜”就是观点词。
观点抽取对建立服务或内容的评价体系，有重要的意义。
3.6 目前遇到的困难
1）语言不规范
虽然目前我们可以总结出一些通用的规则，但是自然语言真的太灵活了。同一个词在不同的场景可能表达多个意思， 不管是通过理解自然语言的规则，还是通过机器学习，都显得比较困难。
2）错别字
在处理文本时，会发现有大量的错别字，怎么样让机器知道这些错别字，并且改过来呢，也是NLP的一大难点。
3）新词
在互联网高速发展的时代，网上每天都会产生大量的新词，我们如何快速地发现这些新词，并让机器理解，也是非常重要的。
04 语音合成（TTS）
实现TTS，目前比较成熟的有两种方法：“拼接法”和“参数法”。
4.1 拼接法
首先，要准备好大量的语音，这些音都是又基本的单位拼接成的（基本单位如音节、音素等），然后从已准备好的声音中，抽取出来合成目标声音。
优点：语音合成的质量比较高。缺点：数据量要求很大，数据库里必须有足够全的“音”。
4.2 参数法
根据统计模型来产生每时每刻的语音参数（包括基频、twdcc频率等），然后把这些参数转化为波形。
优点：对数据的要求要小点。缺点：质量比拼接法差一些。
4.3 其他方法
谷歌DeepMind提出的WaveNet方法，基于深度学习的语音合成模型，不会对语音信号进行参数化，使用神经网络直接在时域预测合成语音波形的每一个采样点。Deep Voice 3采用一种新颖的用于语义合成的全卷积架构，可以用于非常大规模的录音数据集。VoiceLoop是Facebook提出的一种新的TTS神经网络，它能将文本转换为在室外采样的声音中的语音，且该网络架构比现有的网络架构简单。
参考文章
《CUI三部曲之语音识别——机器如何听懂你的话？》_AI新司机《AI是怎样理解人话的？浅析NLP中的分词和关键词_AI研习小分队》_@艺馨_20171101《语音合成TTS | AI产品经理需要了解的AI技术概念》《干货整理_2017(北京)百度技术沙龙NLP》_AI游学小分队_20171104《语音合成TTS技术的最新进展信息汇总》_赵琦_20180404《【NLP技术】：NLP简单介绍》《AI PM应该懂的自然语言处理（NLP）知识》
本文由 @现代的微笑 原创发布于人人都是产品经理。未经许可，禁止转载。
题图来自Unsplash，基于CC0协议。