广东媒体邀约_邀请媒体记者_专业机构_一手渠道

要智能音箱可以连续对话、应答如流，最简单的办法就是“人工”智能，比如2015年横空出世的某客服机器人，凭借软萌的声音、流畅的反应、高度人性化的对答，几乎可以和钢铁侠的贾维斯媲美，最后却被扒出是“摄像头+变声器+人工客服”。

当然，“人工”智能也只有在演示时骗一骗领导，让几千万台智能音箱、智能家居、智能手机等都能对答如流，又该怎么实现呢？

高亮在百度世界告诉我们，百度的工程师已经想出了一套系统化方案：

1. 语音信号处理

语音激活检测技术已经非常成熟，苹果的“Hey，Siri”、DuerOS的“小度小度”都是案例，一次唤醒多次会话看起来也不复杂，比如设定智能音箱在一定时间内自动收音。难点在于怎么知道用户的话到底有没有说完。

因为我们说话不会永远都是连续不卡壳的，比如我想听一首薛之谦的歌，我可能会说“小度小度，给我播首薛之谦的……”思考1-2秒，然后说“认真的雪”。而这1-2秒间，就可能让智能音箱以为你说完了，从而接收指令给你播起了薛之谦的所有歌曲，甚至停止响应。

百度的工程师们准备了十几万小时的仿真训练数据，数千套房间数万组冲击响应函数，上万小时真实AEC录制数据，以及几十万小时的无监督声音数据，利用云、端语音完整性联动训练的方法，然后基于大数据进行声学建模和尾点检测，打造了全新的语音识别引擎。

当你对智能音箱说话的时候，音箱会立刻感知到，然后持续不断向云端发送语音数据，进行语义分析，监测你说的话是不是完整，然后智能音箱就能判断你的话是否说完了。

上传的语音数据只有几十K大小，整个过程不到一秒钟就能完成。不会出现诸如音箱在放着音乐，你说了一句“暂停”，音箱两三秒才响应，这个时候你可能会觉得音箱没有听见（尤其是音箱播放音量比较大的时候），然后再补一句“暂停”的情况。

就像高亮在现场的举例：“给我放一首刘德华的…呃…忘情水”，这个犹豫发问和提笔忘字一样，是很普遍的场景，需要对声学建模做一些特殊处理，要有非常精准的尾点检测， 让系统能够明白我们什么时候是犹豫，什么时候是说完了话，从而明确用户所表达的意图。

2. 声纹跟踪和决策

成年人的声音可以长期相对稳定不变，就算别人故意模仿你的声音和语气，声纹却始终不会相同。和指纹、虹膜等生物识别一样，声纹也是独一无二且相对稳定的生理特征，这样智能音箱可以拒绝掉不需要的声音。

于是百度的工程师们，根据自然界声音标定的声学置信度，对百万人量级的声纹进行学习建模，并推出了面向智能音箱连续交互场景的语义置信度技术，也是业界首创自动区分语音中不同说话人身份的商用系统。

会对唤醒人的声纹进行注册、跟踪、拒识，和唤醒人方向不一样的声音会被拒绝掉，声纹不同的声音会被拒绝掉，和智能音箱场景不匹配的声音也会拒绝掉。

比如说你和朋友聊天的时候，聊到某首歌时想让智能音箱播放，也可能会聊到一些电视剧和工作上的事情。百度的智能音箱已经达到了这样的聪明程度：自动判断是不是在和它说话，发现命令会立刻执行，不相关的对话绝不插一句嘴。

3. 交互上下文管理

现在的人工智能不是仿生学，而是通过各种各样的算法，毕竟人类连大脑的工作原理都还没有搞清楚，让人工智能像人类一样思考还很遥远。

那么问题就来了：和人工智能进行单次的对话并不难，想要把上下文的信息关联在一起就需要考验工程师们的脑洞了。

百度的工程师们先做了语音语义一体化技术，把声学、声纹、语义置信度和从DuerOS获得到的垂类信息资源融合起来，在深度神经网络的多信息融合技术、高频图和通用图并行解码决策的基础上，对对话的上下文进行跟踪管理：判断了说话对象后，可以知道之前交互的内容，知道对象的角色、喜好，然后综合所有这些信息作出精准决策，这样就解决了上下文关联的问题。

假如你问百度智能音箱明天天气怎么样，下一句问穿什么衣服比较合适，听到的回答会是和明天天气相关的穿衣搭配。不会像一些智能音箱一样，你问穿什么衣服，冷冰冰的来一句：“我找到附近有三家卖衣服的店铺……”

技术可能不是万能的，但没有技术是万万不能的。

三、哪些场景可以用？

一次唤醒多轮对话的能力依赖于多项声纹、语音、语义技术的进步，包括创新的尾点检测技术，其利用云端信号AD技术一边做语音识别一边发给语义VAD，将声学技术与语义技术结合在一起，能够适应用户说话速度，知道用户什么时候说完了，不在中间打断。

鲁棒拒识技术创新了声纹跟踪、语音置信度、声学置信度，可以基于特定说话人的场景化识别，拒绝非音箱交互人声，拒绝聊天内容与场景不一致的对话。

现场，高亮也用一款音箱向大家展示了百度远场语音技术方案——通过一连串流利的交互，在大会会场高噪音的环境下，说话的距离超过1米，音箱的唤醒和识别表现很好。

并且一次唤醒就能多次对话，智能音箱在说话时，也能聆听用户的新命令并且快速执行。从更多的演示deme和视频来看，维纳斯智能音箱也能实现一定的上下文理解。

想要让智能音箱实现连续对话的，不只是百度的工程师们，谷歌、亚马逊等同样在努力。这些个工程师们加班加点，冒着掉头发的风险去做技术研发，仅仅是为了让智能音箱不在角落里吃灰吗？

其实场景还有很多。

王海峰曾在中国图灵大会上展示过百度的智能语音搜索：当用户直接对着手机询问“天气热吗？”，她会回答当地的天气是热还是凉爽，气温如何等情况；当用户接着问“上海呢？”，她能够基于上下文理解技术自动补全用户的问题是上海的天气，从而给出准确的回答。

此外在王海峰在百度AI开发者大会上的那段“花式 RAP”，百度AI也完全不懵逼，妥妥应答如流。

再比如公室里的小组会议总需要安排一个人进行会议纪要，又不是专业的速记员，难免忘了某个问题是谁提的，某个人说了一大对话可能只记了开头几句。

这时候声纹识别技术就可以派上用场了，两人场景中百度的识别准确率为95.2%，三人及以上场景也达到了92.9%，远比普通人的会议纪要靠谱。