智能音箱为什么听不懂人话？

爱宪一生

虽然智能音箱技术还没完全成熟，但在互联网巨头眼中，它却是必须攻下来的阵地。
当你字正腔圆地对着智能音箱发问，得到的却是让人一脸懵圈的回答。使用过智能音箱或其它语音助手的朋友，对这一场景都不会陌生。


怀疑自己被割了智商税的你可能会问：智能音箱为什么听不懂人话？它能变聪明吗？
想解答这个问题，我们需要先了解智能音箱听懂语音的工作原理。
语音、文本、图片、视频，这些信息对于机器来说，属于 " 非结构化数据 "，无法直接理解。机器能够理解并作出反馈的，是 " 结构化数据 "。


简单理解二者之间的区别与关系，非结构化数据相当于写了一段文本的 word 文档，而结构化数据则是将这段文本进行总结归纳的 excel 文档。
当我们向智能音箱提问时，智能音箱会先将语音转化为文字，然后将文字形成结构化数据理解并反馈，最后再将文本转化成语音输出答案。


三大流程对应着 3 种技术，其中 ASR（自动语音识别）和 TTS（处理结果转化成语音输出）技术相对成熟，像 ASR 已广泛应用在语音转文字、语音输入法、智能翻译笔等应用上。据中科院 2019 年的测试，国内四家主流智能音箱品牌 ASR 识别率均在 94% 以上。


智能音箱听不懂我们的话，问题主要出在 NLP（理解文字的意思并进行处理）环节上。
AI 在拿到文本后，需要进行语料清洗、分词、词性标注、实体命名识别、去除停用词等一系列操作，才能将文本正确转化为结构化数据，并作出反应。


智能音箱今天已经可以比较 " 智能 " 地处理明确的指令问题，比如打开电视、今天天气怎么样、设定闹钟等。
但在开放性语境下，智能音箱错误频出。这是因为口语文本经常会出现歧义，机器难以理解，特别是在处理同音字繁多、语法复杂的中文时，歧义的现象尤其多见。


比如 " 帮我上一个半小时之后的闹钟 "，音箱基本没法识别是半小时还是一个半小时。再比如 " 帮我预定一家餐厅不要日本菜 "，AI 大概率无法理解 " 不要 " 在句子中的含义。
面对复杂的自然语言，AI 想要辨别、理解、消除歧义，必须要分析海量 " 语料 "，也就是对人类语言的实例进行学习。


供 AI 学习的语料，主要有三种来源。
第一是 AI 算法企业根据需求自己构造的 " 语料库 "，比如针对特定功能，需要构造人名库、地名库、歌手名库、歌曲名库等。


第二是从互联网上大量抽取的文本，最常见的是从社交网络中抽取，以便机器理解最新的口语表达方式。


最后则是用户在与产品交互过程中产生的数据，像我们与智能音箱对话的部分内容，会被上传进厂商的语料库，供 AI 进行学习。
那如果长时间和智能音箱对话，是不是能让智能音箱更懂我呢？
答案是很难。一般来说，所有的训练学习过程，都是在 AI 算法商一端完成的。算法商会根据所有用户的数据，对 AI 进行训练、更新，而非针对某个特定用户。
所以，要想让智能音箱听懂你个人习惯性的语病、倒装、口头禅等，目前的最好办法，是自己手动录入，指定它该作出什么反应。


虽然智能音箱技术还没完全成熟，但在互联网巨头眼中，它却是必须攻下来的阵地。
2019 年的中国智能音箱市场经历了爆发式增长，总出货量 4589 万台，同比增长 109.7%。其中阿里的天猫精灵、百度的小度音箱、小米的小爱音箱，三家占据了 9 成以上市场份额。


智能音箱在出货量上涨的同时却没给巨头们带来利润。2019 年，百度副总裁景鲲向媒体表示，百度是通过补贴维持了小度音箱的低价。而另据业内人士估算，每卖一台小爱音箱，小米只赚 1 块钱。
巨头们的底层逻辑是，智能音箱很有可能成为未来家庭的控制中心，所以要用现在的低价策略换取未来物联网时代的入场券。这样的策略确实能带来销量的增加，但切实解决用户的痛点才能保证产品使用率。
为了提高智能音箱在用户生活中的不可替代性，厂商都在费尽心思给智能音箱增加新的功能，因为谁也不想看到当物联网时代真正到来的时候，用户家中的智能音箱上已经落满了厚厚的灰尘。


（感谢香侬科技韩庆宏对本期节目提供的帮助）