微软小冰全双工技术:让对话像河流一样进行

2018年03月29日 17:38 次阅读 稿源:新浪科技 条评论

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

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。

对文章打分

微软小冰全双工技术:让对话像河流一样进行

5 (14%)
已有 条意见

    最新资讯

    加载中...

    编辑精选

    加载中...

    热门评论

      Top 10

      招聘

      created by ceallan