本文将從“若琪，幫我設置明天早上8點的鬧鐘”出發，講解智能音箱的工作流程，以及語音交互設計流程，同時也會講解各類型AI産品經理/Ai運營的工作内容和考核指标，Enjoy。

2018年全球智能音箱銷量達到1.2億台，其中中國市場銷量達到2200萬台。

随着智能音箱的興起，語音交互開始崛起，語音是最自然的交互形态之一，有着輸入效率高、門檻低、方便解放雙手以及能有效進行情感交流的優勢。BBC預計2020年語音助手市場規模将達到近100億美金。

如下圖所示，一次完整的語音交互，包含：喚醒→ASR→NLP→TTS→Skill的流程。

一、喚醒

智能音箱有别于智能手機的語音交互，需要先激活音箱，激活的辦法有兩類：

傳統的方式是：通過按鍵激活，例如：錘子的大衛和希瑞音箱，增加了外設的按鈕，可以點擊按鈕激活音箱進行說話。

業界的普遍做法是：通過設置激活詞來喚醒音箱，例如：“天貓精靈”，“小愛同學”，“若琪”。

為什麼喚醒詞普遍是4音節，而不是中國人更習慣的3音節或者2音節？

這是因為音節越短，誤喚醒的問題就會越嚴重。

誤喚醒是指：設備被環境音錯誤激活。

誤喚醒的壓制是行業難題，除了模型優化，還有幾種普遍的做法：

第一：雲端2次校驗——即将用戶的語音上傳到雲端進行2次确認，再決定本地是否響應，但是帶來的弊端就是喚醒響應時間被拉長。

一般設備的喚醒檢測模塊都是放在本地的，這是為了可以快速響應，本地響應可以将響應時間控制在300-700ms之間。如果進行雲端2次确認，這個識别降低喚醒的響應時長，會被延長到900ms~1.2S之間，如果網絡環境差，這個時間可能更久。

第二：從産品策略入手，一般白天偶爾的誤喚醒用戶都是可以理解的，或者說習以為常了。但是，如果是晚上睡覺時發生誤喚醒，用戶都是零容忍。

因此，一種做法是壓制晚上的誤喚醒，帶來的問題是晚上喚醒的敏感度也同步降低，但是整體來看還是可以接受的。

喚醒詞還承載了另外一個功能那就是聲紋檢測。業内的普遍做法是基于喚醒詞的校對來判斷用戶身份，當然也有基于用戶指令語句來是别的。

但是，目前業内普遍聲紋識别的準确率不是特别高，當用戶感冒、變音調，聲紋識别就會失效，因此聲紋在智能音箱的應用就非常受限。除了聲紋支付，隻能應用于對召回率要求不高的應用場景。

進階知識點：

智能仲裁：當家庭有多台設備時，同時喚醒最好隻有一台設備應答，這時候需要感知用戶所在空間，以及距離設備的距離，選擇合适的一台設備做應答并執行後續指令。

算法産品經理職責：

核心的職責是了解當前算法的能力和邊界，提出産品側解決方案去放大算法能力或者規避算法缺陷，例如：設置夜間模式壓制誤喚醒，增加用戶自定義喚醒詞提升用戶側的體驗。

喚醒的衡量指标：

喚醒率、誤喚醒率、喚醒響應時長。

而且，會進一步拆分為：安靜環境下、噪音環境下、AEC環境下，用戶端正常喚醒，快讀喚醒，One-shot喚醒，分别去看以上3個指标。

二、ASR

ASR——自動語音識别：用于将聲學語音進行分析，并得到對應的文字或拼音信息。

語音識别系統一般分為：訓練和解碼兩階段。

訓練：通過大量标注的語音數據訓練數學模型，通過大量标注的文本數據訓練語言模型。

市場上主流的聲學訓練模型有：時序連接分類(CTC)和卷積遞歸神經網絡(CRNN)。

解碼：通過聲學和語言模型将語音數據識别成文字。

聲學模型可以理解為是對發生的建模，它能夠把語音輸入轉換成聲學表示的輸入，更準确的說是給出語音屬于某個聲學符号的概率。

語言模型的作用可以簡單理解為消解多音字問題，在聲學模型給出發音序列之後，從候選的文字序列中找出概率最大的字符串序列。

為了提供特定内容的識别率，一般都會提供熱詞服務，配置的熱詞内容實時生效，并且會提升ASR結果的識别權重，在一定程度上提高ASR識别的準确率。

進階知識點：

• 尋向/聲源定位：一般音箱的設計都是多麥克風，例如：4麥、6麥，呈線性或環形布局。尋向的作用就是判斷用戶方向，然後用用戶方向的麥克風采集語音數據，保證語音的數據是最清晰的。
• 降噪：當有環境音時，需要對環境音進行消除，提高算法識别準确率。
• AEC：回音消除，如果當前設備既在使用Player進行播放，同時又使用Mic進行拾音，那MIc就會将自己播放出去的聲音給重拾回來。這時為了避免影響算法識别結果，需要對回音進行消除。
• VAD：語音端點檢查，使用音頻特征等進行分析，确定人聲的開始和結束時間點。

算法運營崗位職責：

除了算法，負責ASR優化的一般是運營，主要職責是ASR改寫——即當發現線上一些語音總是識别成錯誤的結果時，可以強制将錯誤的結果糾正為正确的，以便在短期滿足用戶訴求。同時糾正的語料也會作為後面算法叠代的素材。

詞錯誤率WER：一般作為語音識别系統中常用的評估标準。

三、NLP

NLP——自然語言處理：用于将用戶的指令轉換為結構化的、機器可以理解的語言。

NLP的工作邏輯是：将用戶的指令進行Domain(領域)→Intent(意圖)→Slot(詞槽)三級拆分。

以“幫我設置一個明天早上8點的鬧鐘”為例：該指令命中的領域是“鬧鐘”，意圖是“新建鬧鐘”，詞槽是“明天8點”。

這樣，就将用戶的意圖拆分成機器可以處理的語言。

算法運營崗位職責：

除了算法，負責ASR優化的一般是運營，主要職責是NLP說法和詞表擴充。

詞錯誤率WER：一般作為語音識别系統中常用的評估标準。

四、TTS

TTS——語音合成：即将從文本轉換成語音，讓機器說話。

TTS業内普遍使用兩種做法：一種是拼接法，一種是參數法。

1. 拼接法

從事先錄制的大量語音中，選擇所需的基本發音單位拼接而成。

優點：語音的自然度很好。

缺點：成本太高，費用成本要上百萬。

2. 參數法

使用統計模型來産生語音參數并轉化成波形。

優點：成本低，一般價格在20萬~60萬不等。

缺點：發音的自然度沒有拼接法好。

但是随着模型的不斷優化，現在參數法的效果已經非常好了，因此業内使用參數法的越來越多。

五、Skill

Skiil，技能，也即AI時代的APP。

Skill的作用就是：處理NLP界定的用戶意圖，做出符合用戶預期的反饋。

語音skill的設計與産品APP差别很大，筆者經過一段時間的積累，總結了一下原則供參考：

1. 設計原則

原則1：增加回複的多樣性——高頻的指令盡可能增加多的回複TTS語句，避免用戶反複聽到相同的回複。

原則2：重要信息後置——一般語音回複尤其是當用戶在開車的過程中，需要将重要信息放在後面，因為心理學上有個“時近效應”，聽覺刺激往往排在後面的影響力更大。

原則3：合理的簡潔——用戶可感知時簡潔回複，用戶不可感知時完整回複。

假如用戶指令“停止播放”，這時候隻需一個提示音或者一個簡答的回複“好的”。

但是，如果用戶的指令是“幫我設置一個明天早上8點的鬧鐘”，回複就需要是完整的，例如：“已幫你設置好明天早上8點的鬧鐘”，否則用戶會沒安全感，不知道你設置的到底對不對，如果不對，那帶來的風險是很大的，所以一定要完整回複。

2. 建立流程

Skill的建立流程如下：

Step1：定義用戶特征及使用場景。

Step2：定義産品人設。

Step3：收集用戶意圖并編寫語義協議，包含Intent、slots的定義。例如建立一個“添加鬧鐘”的意圖，slotes包含“DateTime”，表示的是具體的時間點。

Step4：撰寫TTS文案，也即用戶指令處理之後需要給與用戶适當的反饋，例如：反饋語是“ok，我會再明天早上8點準時叫你起床”。

Step5：業務邏輯設計，例如：當用戶深夜過了12點，說“幫我設置明天12點的鬧鐘”，大概率是想設置今天上午8點的鬧鐘。因此，可以直接設置成今天上午8點的鬧鐘，但是要明确告知用戶。

Step6：開發實現，數據觀察。

3. Skill産品經理職責

• Skill的設計要完善覆蓋用戶所有的可能意圖和說法，然後給出最恰當的回應。
• Skill活躍率或者留存率是Skill産品的核心考核目标。

以上。

作者：Jason（微信号Smart_Byte），Rokid AI 産品經理，前阿裡資深産品經理。

本文由 @Jason 原創發布于人人都是産品經理。未經許可，禁止轉載

題圖來自Unsplash, 基于CC0協議

,

更多精彩资讯请关注tft每日頭條，我们将持续为您更新最新资讯!

查看全部