语音识别类产品的分类及应用场景

2018-01-02 15:57:00

本文主要针对人工智能中的感知智能展开分享，聊聊其中的“语音识别类产品”。

媒体和AI巨头们乐于给大众描绘一幅幅精彩的未来生活蓝图：人工智能可以化身为你的爱车，在沙漠、森林或小巷中风驰电掣；可以是智慧公正的交警，控制红绿灯、缓解交通的拥挤；还可以是给人以贴心照顾的小助理，熟悉你生活中的每一处小怪癖。
在看到这些美妙的畅想之后，作为一个严谨认真的AI产品经理，我不禁想去探索上述美好未来的实现路径；今天，让我们从人工智能中的感知智能开始——聊聊“ 语音识别类产品 ”。

一、定义

语音识别是将人类的声音信号转化为文字的过程。
语音识别、人脸识别和OCR等都属于人工智能中的感知智能，其核心功能是将物理世界的信息转化成可供计算机处理的信息，为后续的认知智能提供基础。

二、语音识别能满足或支撑的需求层次

1、人与人之间的信息同步
转化成文字的语音信息，由于少了时间轴的约束，在同等量级的情况下，人类使用眼睛获取的速度远远快于耳朵。当然，确实也损失掉了一些信息，比如情绪。
2、检索 & 语义抽取
利用语义建模，对某些业务场景中比较关注的词/语义进行检索，或者将其抽取出来并进行结构化记录。
3、人机交互
使用更自然的方式与机器/虚拟助理进行交互，实现拟人对话、对设备的操控或者问题答案的获取。
4、数据挖掘
通过对数据的聚类或者与各维度数据体系打通，可以对个人/人群/特定领域的语义数据进行价值挖掘。
下面，我将以语音识别需求场景之“人机交互”为例，对业界的语音识别产品进行归类和说明。如果大家比较感兴趣，我后续文章可以再对其他的几类需求层次进行进一步的分析。

三、分类

根据识别内容的范围，语音识别可分为“封闭域识别”和“开放域识别”。

1、封闭域识别

识别范围为预先指定的字/词集合。
即，算法只在开发者预先设定的封闭域识别词的集合内进行语音识别，对范围之外的语音会拒识。因此，可将其声学模型和语言模型进行裁剪，使得识别引擎的运算量变小；并且，可将引擎封到嵌入式芯片或者本地化的SDK中，从而使识别过程完全脱离云端，摆脱对网络的依赖，并且不会影响识别率。
业界厂商提供的引擎部署方式包括云端和本地化（如：芯片，模块和纯软件SDK）。
产品形态：流式传输-同步获取
典型的应用场景：不涉及到多轮交互和多种语义说法的场景。
比如，对于简单指令交互的智能家居和电视盒子，语音控制指令一般只有“打开窗帘”、“打开中央台”等；或者语音唤醒功能“Alexa”。但是，一旦涉及到程序猿大大们在后台配置识别词集合之外的命令，如“给小编来一块钱打赏呗”，识别系统将拒识这段语音，不会返回相应的文字结果，更不会做相应的回复或者指令动作。

2、开放域识别

无需预先指定识别词集合，算法将在整个语言大集合范围中进行识别。为适应此类场景，声学模型和语音模型一般都比较大，引擎运算量也较大。如果将其封装到嵌入式芯片或者本地化的SDK中，耗能较高并且影响识别效果。
因此，业界厂商基本上都只以云端形式提供（云端包括公有云形式和私有云形式）。至于本地化形式，只提供带服务器级别计算能力的嵌入式系统（如会议字幕系统）。
产品形态，按照音频录入和结果获取方式可分为3种：
1）产品形态1：流式上传-同步获取，应用/软件会对说话人的语音进行自动录制，并将其连续上传至云端，说话人在说完话的同时能实时地看到返回的文字。
语音云服务厂商的产品接口中，会提供音频录制接口和格式编码算法，供客户端边录制边上传，并与云端建立长连接，同步监听并获取中间（或者最终完整）的识别结果。
对于时长的限制，由语音云服务厂商自定义，一般有 <1分钟和 <5 小时两种，两者有可能会采用不同的模型（时长限制<5小时的模型会采用LSTM长时相关性建模）。
典型应用场景1：

主要在输入场景，如输入法、会议/法院庭审时的实时字幕上屏；
与麦克风阵列和语义结合的人机交互场景，如具备更自然交互形态的智能音响。比如用户说“转发小编这篇文章”，在无配置的情况下，识别系统也能够识别这段语音，并返回相应的文字结果。
2）产品形态2 ：已录制音频文件上传-异步获取，音频时长一般 <3/5小时。用户需自行调用软件接口或是硬件平台预先录制好规定格式的音频，并使用语音云服务厂商提供的接口进行音频上传，上传完成之后便可以断掉连接。用户通过轮询语音云服务器或者使用回调接口进行结果获取。
由于长语音的计算量较大，计算时间较长，因此采取异步获取的方式可以避免由于网络问题带来的结果丢失。也因为语音转写系统通常是非实时处理的，这种工程形态也给了识别算法更多的时间进行多遍解码。而长时的语料，也给了算法使用更长时的信息进行长短期记忆网络建模。在同样的输入音频下，此类型产品形态牺牲了一部分实时率，花费了更高的资源消耗，但是却可以得到最高的识别率。在时间允许的使用场景下，“非实时已录制音频转写”无疑是最推荐的产品形态。
典型应用场景2：
A）已经录制完毕的音/视频字幕配置；
B）实时性要求不高的客服语音质检和UGC语音内容审查场景等。
3）产品形态3 ：已录制音频文件上传-同步获取，音频时长一般小于 <1分钟。用户需自行预先录制好规定格式的音频，并使用语音云服务厂商提供的接口进行音频上传。此时，客户端与云端建立长连接，同步监听并一次性获取完整的识别结果。使用的模型会根据语音云厂商产品策略的不同，而跟随采用上述两/三种模型中的任意一种。
典型应用场景3：
作为前两者的补充，适用于无法用音频录制接口进行实时音频流上传，或者结果获取的实时性要求比较高的场景。

四、概念厘清

1、离线 VS 在线

在较多的客户认知中，离/在线的区别在于“识别过程是否需要通过云端请求”，即“识别引擎是在云端还是本地”。而云计算中的离/在线产品的引擎都处在云端，区别在于“ 计算过程中，客户端是否需要与云端进行实时数据交互 ”，即上述所述的“流式上传-同步获取”和“已录制音频文件上传-异步获取”方式。
两者的定义在人工智能产品领域中有较多冲突，因此并不建议使用“离/在线”概念进行相关产品定义。

2、语音识别 VS 语义识别

语音识别为感知智能，语义识别为认知智能，前者为后者的前提基础。语音识别将声音转化成文字，语义识别提取文字中的相关信息和相应意图，再通过云端大脑决策，使用执行模块进行相应的问题回复或者反馈动作。
注：一般来说，为了减少不必要的理解干扰，从业者更倾向于说“自然语言处理（NLP）”等概念，极少使用“语义识别”的说法。

结语

最后，结合一小丢丢NLP的人机交互场景栗子作为收尾：
“给小编这篇文章点个赞呗”，在无后台配置的情况下，封闭域的语音识别系统会拒识这段语音，而开放域的识别系统却能够识别这段语音，返回相应的文字结果。
不过，现阶段的开放域语义系统在大概率情况下，还是会回复得比较生硬，并且也不会自动识别出相应的意图并做出指令。按照现有比较通用的方法，这个功能需要使用封闭域的NLP，在后台预先配置相关答案，并且根据预先配置的信息抽取意图，再根据意图类别和槽位信息执行相应的动作——即调用微信的点赞接口（假设可以）进行相应的点赞操作。
听起来好绕呀，是不是觉得还是自己手动点个赞简单粗暴省事得多了呢？
然而，一切现代人类做起来自然而然 & 毫不费力的动作，都是建构在经过了亿万年的学习进化、兆亿次闭环重复练习的智力基因基础上的；任何人工智能技术，也需要巨量的数据训练和一定的演变周期。
并且，在所有的科技发展进程中，率先取得突破并能在应用领域成熟的产品，往往都是在封闭域首先出现的。现在，NLP正处封闭域产品化阶段（比如Amazon Echo、Google Home等），而语音识别的产品成熟化已经走过了封闭域、到达了开放域，正在向各行各业的应用场景输送自己的洪荒之力！
附：脑图：语音识别类产品的分类及应用场景

作者：焦糖玛奇朵，“AI产品经理大本营”成员之一。