圖片來源：視覺中國
在鈦媒體在線課“鈦坦白”第47期，我們邀請了三位鈦客分享對于人機(jī)交互方式中的語音交互的看法。本期鈦客之一、奇點機(jī)智聯(lián)合創(chuàng)始人兼CTO林德康，是國際計算語言學(xué)學(xué)會會士（ACL Fellow），前Google研究院高級管理科學(xué)家（senior staff research scientist），在加入Google之前擔(dān)任加拿大阿爾伯塔大學(xué)計算機(jī)教授。他在自然語言處理及理解領(lǐng)域總共發(fā)表過90余篇論文，其研究總計被引用超過14000次，對自然語言解析和詞匯語義做出重要貢獻(xiàn)。
本文節(jié)選自林德康在鈦坦白的分享。如果您還不是鈦媒體Pro用戶，希望查看鈦坦白所有干貨，進(jìn)入鈦坦白九個專業(yè)群交流，并查看更豐富的專業(yè)數(shù)據(jù)和信息，可點擊：http://m.chcmb.cn/pro 注冊。
大家好，很高興和大家聊聊語音交互這個話題，我們公司正在做一個專為Android生態(tài)所打造的應(yīng)用助手，用戶通過語音的方式即可操控手機(jī)應(yīng)用中的各項功能，因此正好有一些心得經(jīng)驗可以和大家分享。
2016年是人工智能元年，智能語音技術(shù)作為人工智能應(yīng)用最成熟的技術(shù)之一，在智能助手、智能家居、智能車載、智能可穿戴領(lǐng)域有了迅猛發(fā)展。
全球智能語音產(chǎn)業(yè)規(guī)模持續(xù)增長
中國智能語音產(chǎn)業(yè)規(guī)模持續(xù)增長
據(jù)權(quán)威數(shù)據(jù)顯示，2016 年全球智能語音市場規(guī)模達(dá) 82.2億美元，同比增長 32.4%。中國智能語音產(chǎn)業(yè)市場規(guī)模也逐步擴(kuò)大，2016年59.2 億元產(chǎn)業(yè)規(guī)模，同比增長47.1%，預(yù)計2017年產(chǎn)業(yè)規(guī)模將突破100億，同比增長69.8%，且增速顯著高于全球市場，約占全球市場份額14%。
人工智能也已被看作未來手機(jī)發(fā)展的重要方向之一，從蘋果iPhone的 Siri 到微軟Windows phone的Cortana，從谷歌Pixel的 Google Assistant到三星S8的 Bixby，從華為Mate 9內(nèi)置的Alexa到HTC U11的DuerOS，現(xiàn)在幾乎每一款旗艦智能手機(jī)，都內(nèi)置了一位“虛擬助手”。
語音識別技術(shù)的進(jìn)步
在深度學(xué)習(xí)出現(xiàn)以后，語音識別從幾乎每一句都有錯誤到現(xiàn)在接近人類的水平，可以說有非常大的進(jìn)步。語音助手也不再只是機(jī)械式地與用戶互動，而是能夠智能化的分析和感知用戶思想?，F(xiàn)在的語音交互，與其他交互方式相比，具有三個優(yōu)勢：
一是語音交互的速度快。斯坦福有一項研究表明，語音輸入的速度是鍵盤輸入的三倍。
二是語音界面是扁平化的。任何一個功能都可以依據(jù)指令直接到達(dá)。比如微信里的功能通常需要幾個甚至十幾個點擊才能完成，而用語音說一句就行了。
三是不需要學(xué)習(xí)。通常每個應(yīng)用都是經(jīng)過學(xué)習(xí)以后才會使用，但使用語音就可以省略學(xué)習(xí)的過程。
據(jù)市場研究公司Fivesight調(diào)查，約有72%的美國用戶已將語音助手作為對搜索引擎的補(bǔ)充，Siri已成為僅次谷歌之后的第二大移動“搜索引擎”。市場推動下，智能語音助手將成為下一代搜索的核心，以及新生態(tài)的核心。
語音交互過程通常由三部分構(gòu)成：第一步，把聲音轉(zhuǎn)成文字（語音識別）；第二步，把文字轉(zhuǎn)換成意圖；第三步，把意圖變成可以執(zhí)行的命令，調(diào)用各應(yīng)用API或網(wǎng)頁來完成指令。也就是說，第三步舍棄了你手機(jī)里的APP和其原有界面，直接在語音助手上集成功能，如打車、外賣等。
那么，對于一個語音助手開發(fā)者來說，前兩步，比的是AI團(tuán)隊多強(qiáng)大，第三步，比的是你的BD團(tuán)隊多強(qiáng)大。
現(xiàn)在的手機(jī)助手一般是用一個聊天界面跟后臺服務(wù)對接，谷歌的手機(jī)助手就集成了谷歌里的問答、導(dǎo)航、本地搜索等多種服務(wù)。這個提供問答功能的系統(tǒng)就是我在谷歌的團(tuán)隊做的網(wǎng)頁問答系統(tǒng)，你還可以問它天氣情況，它顯示的是華氏度，如果你問攝氏度是多少，它就會把同樣的答案用攝氏度回答出來。
但“對話框+后臺服務(wù)“也有不盡人意的地方，比如連接后臺服務(wù)是一個相當(dāng)復(fù)雜的過程, 通常需要工程師去完成。還有在對話框里重現(xiàn)用戶體驗不是一件容易的事情。還經(jīng)常做得不如原生應(yīng)用好。再者語音助手和后臺服務(wù)的經(jīng)濟(jì)利益可能會有沖突。比如航班搜索，它只列出了航班和價格，但是如果需要下單就不在應(yīng)用助手頁面里了。
命令行界面：1d
圖形界面：2d
對話界面：1.5d
在從前，命令行界面是很常見的界面，但現(xiàn)在的年輕人也許根本就沒見過，微軟DOS操作系統(tǒng)的命令行界面，因為只能在一行里輸入，所以我稱它是“一維”的，我們熟悉的圖形界面是“二維”的，而對話框界面退了半步是“1.5維”。
圖形界面具有很多的優(yōu)點，比如語音輸入的速度比敲鍵盤要快得多，但是視覺能夠收到的信息要比聽到的信息快得多，所以最好的組合是把語音和圖形界面結(jié)合起來，在圖形界面上增加了一層語音交互，原有的圖形交互不僅可以繼續(xù)使用，在應(yīng)用里的任何地方還可以用語音交互，這樣，就形成了一個立體“三維”界面。
小不點與常見的手機(jī)助手有兩點主要的不同：
一是小不點不會將用戶局限在語音助手的對話框里。而 Siri、Google Assistant 等常見的語音助手，都是以應(yīng)用程序界面的形式出現(xiàn)，即用戶與助手的交互鎖定在同一個對話框內(nèi)。
這涉及到用戶體驗重構(gòu)的問題。例如，當(dāng)你在攜程 APP 上購買機(jī)票時，可以按照時間、價格等因素排序，也可以篩選只考慮某一航空公司的飛機(jī)。但想要在語音助手的對話框內(nèi)實現(xiàn)這些功能非常困難，然而這些功能又恰好是用戶的需求所在。小不點的操作模式是直接將用戶帶入 APP 頁面，自然利用 APP 已經(jīng)實現(xiàn)的功能模塊，不需要再對應(yīng)用程序進(jìn)行重構(gòu)。
二是小不點代替用戶手指點擊界面，這繞開了語音助手對接應(yīng)用程序 API 接口時所遇到的商務(wù)拓展難題。與 Deepsahre 一樣，語音助手也普遍需要一家一家地談合作伙伴。實際上，用戶用得越多的應(yīng)用，越不愿意給你開 API 。因為它不需要你的流量，而且它也不知道開了 API 之后會有什么其他的影響。小不點繞開了 API 的限制，想要小不點“學(xué)會”使用某個 APP ，研發(fā)人員只需錄制這個 APP 相關(guān)功能使用時的點擊路徑即可。
目前，小不點已經(jīng)“學(xué)會”一百多個 APP 的使用方法，而這其中只有百度地圖等少數(shù)幾個應(yīng)用程序開放了允許第三方調(diào)用的 API 接口。有 API 可以調(diào)用的時候，我們當(dāng)然會用，因為 API 的響應(yīng)速度很快。比如百度提供了導(dǎo)航的API，我們就不必用模擬點擊來完成導(dǎo)航任務(wù)，而是直接調(diào)用API達(dá)到結(jié)果。
一旦遇到小不點目前還沒有實現(xiàn)的APP操作，其中的智能學(xué)習(xí)功能則可以發(fā)揮作用。當(dāng)用戶激活學(xué)習(xí)功能后，只需按照平時的步驟操作，小不點會自動記錄，用戶日后再次下達(dá)指令后，自動完成所有操作和跳轉(zhuǎn)。目前，安卓應(yīng)用商店有約 280 萬個應(yīng)用，團(tuán)隊無法靠蠻力記錄所有應(yīng)用程序的所有操作路徑。因此，小不點自帶的“學(xué)習(xí)”功能，此時就派上了用場。
比如我想查手機(jī)上的流量，小不點幫我做的是在百度上搜索“查流量”，但“小不點”的好處是用戶可以教它從前不會做或做錯的事情，例如先教它查詢流量的過程，再對它說“查詢流量”就可以達(dá)到我的目的了。用戶教給小不點的命令馬上就可以使用，甚至可以分享給別人。我想很多人都體驗過給父母做技術(shù)支持是一件相當(dāng)不容易的事情，如果很多人教給小不點同一個命令，我們就會把它加到公共庫里，這樣所有人都可以使用，小不點就會越用越好用，越用越懂你。
教“小不點”查看流量
群友A：剛才您教小不點查流量時，“小不點”很快就學(xué)會了，速度很快，能稍微詳細(xì)一點兒介紹一下它的學(xué)習(xí)機(jī)制/原理嗎?
林德康：“小不點”是用程序點擊, 所以比人點得快得多。在錄制模式里，用戶每一個點擊都被我們記下來，然后根據(jù)用戶說的語句進(jìn)行推廣。這樣的話，假如你錄了“打車去西直門”，以后再說“打車去國貿(mào)”小不點也會做。
群友A：要從用戶的輸入里提煉出一個核心的命令詞進(jìn)行推廣嗎？比如 “打車去西直門”里的“打車”？
林德康：大多數(shù)時候，這事不難。如果用戶說了“西直門”，又把“西直門”填在一個搜索框里，這多半就是參數(shù)。泛化需要詞向量，查流量的例子其實不需要參數(shù)，所以只要記住用戶語句和操作序列的對應(yīng)就好了。
群友：以后它會操作"打車去國貿(mào)" 是根據(jù)"國貿(mào)"跟"西直門"在詞庫里是相近詞來判斷的嗎?需不需要也識別"打車"這個動詞呢?
林德康：“國貿(mào)”和“西直門”是同一類東西,可以通過無監(jiān)督學(xué)習(xí)的辦法得到，它們的詞向量會很像。“打車”是需要識別的。
群友B：大部分的命令都需要用戶先錄嗎？
林德康：我們需要“小不點”先能完成很多命令，這樣才會有人用。希望以后的大部分命令是用戶錄制的。
群友B：很多日常用的命令不是很有重復(fù)性，花很多時間錄制，只用一次兩次。用戶是否愿意去一個個命令去錄呢？
林德康：應(yīng)該只有少部分用戶錄制命令就可以了，因為一旦錄下來，所有人都有可能用到。
群友B：因為是程序，比人手點擊快得多，會按人錄入的完整點擊操作嗎？是不是有多余步驟？多占了存儲？
林德康：其他應(yīng)用使用小不點會占些存儲，但是點擊本身并不需要多占存儲。
（本文獨家首發(fā)鈦媒體，根據(jù)ACL會士、奇點機(jī)智聯(lián)合創(chuàng)始人林德康在鈦坦白上的分享整理）
……………………………………………………
詳情：http://m.chcmb.cn/2709410.html
快報
根據(jù)《網(wǎng)絡(luò)安全法》實名制要求，請綁定手機(jī)號后發(fā)表評論
不過還有很多難關(guān)需要克服，但隨著技術(shù)的發(fā)展，像咪咕靈犀，siri這樣的，未來說不定能改變我們的生活方式。