一段聲音的旅程（一）語音產(chǎn)品的五大關(guān)鍵環(huán)節(jié)
作者：秋半仙，哼哼
最近幾年關(guān)于人工智能的討論可謂是甚囂塵上，其中和語音及語義相關(guān)的行業(yè)活動更是尤為突出?，F(xiàn)在很多行業(yè)都在涉足語音交互。半仙我印象比較深刻的是在2012年，大家都還在做手機(jī)語音助手，創(chuàng)業(yè)公司也都過的苦不堪言。之后蘋果發(fā)布的中文siri猶如一夜春風(fēng)，刮開了千樹梨花。DNN、語音開放平臺、語音助手等等都在那個時候開始出現(xiàn)。大量的資本也開始躁動，其中百度和搜狗在內(nèi)的資本狠投了一波手機(jī)語音助手。很多做語音的公司也都陸陸續(xù)續(xù)掙得盆滿缽滿，得以在創(chuàng)業(yè)的道路上繼續(xù)苦逼。之后，樂視發(fā)布了超級電視，讓語音一下子成為了智能電視的寵兒。于是大伙兒一看，喲呵！隔壁老賈折騰那智能電視挺像模像樣的哈！那啥，這風(fēng)頭不能讓他一人占了，咱哥幾個也得摻和一手~ 所以一夜之間，各路電視、ott盒子都要加語音。再之后，智能后視鏡、智能音箱、智能家居、機(jī)器人、玩具等等都加入了這場語音大戰(zhàn)。
本半仙身邊接觸語音的朋友也越來越多。很多人來問我，語音產(chǎn)品的“產(chǎn)品”到底是做個啥？不就對機(jī)器說句話讓機(jī)器去做個事兒嚒。比如：
用戶：二傻，快打開空調(diào)，熱死老子了！
語音產(chǎn)品：你才二傻你全家都是二傻！
艾瑪真不好意思，記錯臺詞了……
我們再來一條——
用戶：你好二傻，打開空調(diào)。
語音產(chǎn)品：已為您打開空調(diào)。嗶——
你看，技術(shù)都做好了，做個“UI”把現(xiàn)成技術(shù)打個包，和巴和巴就鼓搗出一個產(chǎn)品了，這也太容易了！這就是業(yè)內(nèi)普遍的認(rèn)知。所以做語音的產(chǎn)品人員（包括本半仙在內(nèi)）職級普遍都不高，甚至是主業(yè)為其它，順帶著做語音。就更別提語音的交互體驗(yàn)設(shè)計(jì)師咯，要想做到高級別更是難上加難。資深的語音產(chǎn)品和語音交互，大部分都在訊飛、nuance、谷歌等大佬手里攥著。想挖他們，好說嘛——砸錢！但對于囊中羞澀的小企業(yè)來說，掂量掂量荷包，也只能感嘆既生瑜何生挖不到瑜的企業(yè)。
而對于新手來說，交互基本都是從GUI的知識體系中培養(yǎng)出來的孩子，大部分都是擅長強(qiáng)視覺交互，對于語音這種“弱視覺強(qiáng)邏輯”的交互，要做起來就會很吃力。產(chǎn)品也是類似，從設(shè)計(jì)或者其它行業(yè)轉(zhuǎn)到語音行業(yè)來做產(chǎn)品的人可能擁有很多的想法和創(chuàng)造力，但是他們不了解這個行業(yè)的瓶頸，往往很難落地。做技術(shù)或者語音研發(fā)轉(zhuǎn)過來做產(chǎn)品的人，了解技術(shù)的局限性，能落地，但卻缺乏創(chuàng)造力和對體驗(yàn)的洞察力。想要找到一個好的語音產(chǎn)品和語音交互，真的是難于上青天！
不過整個語音行業(yè)被推到風(fēng)口其實(shí)也沒幾年，所以整個產(chǎn)業(yè)結(jié)構(gòu)體系還不健全，各個職位和工種定位還不清晰，是這個行業(yè)處于過渡期的正?，F(xiàn)象。
其實(shí)和語音相關(guān)的業(yè)內(nèi)資料多如牛毛，畢竟人工智能這行業(yè)也是經(jīng)過了六十多年積淀的?？删W(wǎng)上只要和語音和人工智能相關(guān)的文章，常常筆鋒一變就開始討論深度學(xué)習(xí)、神經(jīng)網(wǎng)絡(luò)這些課題，然后帶出一大堆看不懂的術(shù)語，一大堆不知道對不對的公式，一大堆不知所云的論文，然后，呃，就沒有然后了……
這無疑給像本半仙一樣熱愛學(xué)習(xí)的好童鞋去學(xué)習(xí)和理解這個行業(yè)，帶來了諸多困擾。所以從今天起，本半仙將嘗試著把平時帶團(tuán)隊(duì)時教的一些零碎的知識整理出來跟大家分享。來來來，童鞋們都拿好小本本搬好小板凳排排坐哈，咱們修仙，哦不，是語音分享大會正式開始——
“人工智能”的愿景說白了就是希望機(jī)器能夠替代人。所以，人工智能大部分是以“人”為原型的。我們可以在自己身上或者生活中，找到足夠多的真實(shí)樣本，去理解這個看似很深奧的領(lǐng)域。再來看語音，它存在于我們每天都在經(jīng)歷的再平常不過的對話和溝通中。從表現(xiàn)來看，語音就是“我發(fā)出一個聲音給你，然后你再回饋一個聲音給我，循環(huán)反復(fù)，直到對話結(jié)束”。所以這么看來，語音的過程很簡單。但在現(xiàn)實(shí)生活中，為什么有些人會讓你覺得很難溝通，而有些人你又覺得很好溝通呢？因?yàn)槁曇糁皇潜硐?，每段聲音都承載著具體的內(nèi)容，而內(nèi)容又承載著每一個人的認(rèn)知閱歷、性格情緒、思維方式、理解能力等等，甚至一段一模一樣的話，在對話雙方所處的不同心境、不同語境、不同環(huán)境下，結(jié)果都完全不一樣；我們每天都需要不斷去思考，而語音就在我們身邊，想做語音產(chǎn)品的朋友，需要明白“思考”的重要性：一方面是真正的理解“人工智能”和“人”的差異，另一方面是做好心理準(zhǔn)備。語音絕對不是把語音語義放到一起就能做好的，這是一條仍重而道遠(yuǎn)，挑戰(zhàn)與樂趣并存的道路。
“我發(fā)出一個聲音給你，然后你再回饋一個聲音給我”，“循環(huán)反復(fù)，直到對話結(jié)束。”
先將上面提到的一句話，拆分成兩段。前半部分，我們把它叫做“一次（輪）語音交互”；后半部分，從“對話開始”到“對話結(jié)束”，我們把它叫做“一個完整的對話”。一個完整的對話，可以由一次交互完成，也可以由多次交互完成，對于“一次”或“多次”的設(shè)計(jì)和管理，我們叫它“語音對話管理”或者”語音交互流程設(shè)計(jì)（或管理）“等（技術(shù)上，經(jīng)常會看到“Dialogue Management”之類的模塊，指的就是這個部分）。如下圖：
“一次語音交互”
說到一次語音交互，我相信你第一個想到的就是語音識別。其實(shí)不是的，具體過程如下圖：
我先聊一個語音中的一個經(jīng)典問題：
假設(shè)你在一個燈光耀眼、喧囂熱鬧的酒吧里。盡管周邊的噪音很大，盡管周圍的人使用的是各自的母語，比如英文、西語、法語、葡萄牙語等等，此時，如果遠(yuǎn)處突然有人用中文叫一聲“二傻——”，你是不是會立馬回過頭看看誰在叫你？哈哈，開個玩笑。但這其實(shí)是語音中一個非常經(jīng)典的現(xiàn)象，稱之為“雞尾酒會效應(yīng)”，它體現(xiàn)出了人耳在聽覺上的天賦異稟，同時也是語音識別中的經(jīng)典難題。
在這個例子里，我們先做了一件事，就是“聽清楚”，我們把這個過程，叫做“信號處理”。信號處理的目的是能夠讓這段聲音，盡可能干凈，盡可能高質(zhì)量地提取出來。而要做到這個，需要解決很多問題，比如：
“聲源定位”，也就是在環(huán)境中，找到叫你“二傻”的那個人的具體位置；
“降噪”，將“酒吧的噪音”、“其它人交談的噪音”等等，都消除干凈，從而讓你的二，哦不，是“二傻”這兩個字凸顯出來。
早年語音都是做在手機(jī)APP里的，“信號處理”這個部分很少會被提及?，F(xiàn)在語音在各個端上的使用越來越普及，比如汽車、音響、機(jī)器人、智能家居等等，語音所處的環(huán)境也越來越復(fù)雜，語音硬件的方案也越來越豐富（圖中是車內(nèi)雙麥陣列所收錄的音頻數(shù)據(jù)，所以真實(shí)收錄的聲音有兩組，回路信號以后再聊）。所以我會非常強(qiáng)調(diào)，語音產(chǎn)品對于“信號處理”的認(rèn)知也是非常重要的。
當(dāng)我們“聽清楚”了之后就要“識內(nèi)容”，要辨識出聲音中的具體內(nèi)容，這是我們經(jīng)常說到的“語音識別”，即“聲音轉(zhuǎn)寫成文字”的過程；如上圖分析，用戶說的是：“二傻，現(xiàn)在幾點(diǎn)了？”。
知道內(nèi)容了，就得“想意思”，想內(nèi)容里的具體意思，我們叫這個過程為“語義理解”，即“自然語言理解”；用戶的意思是：“他期望我反饋”、“現(xiàn)在”、“時間”、“具體時間中的小時”；聽懂了，就得“去行動”，得先看下手表里顯示的現(xiàn)在時間，然后把小時的數(shù)值反饋給他，我們把這個處理過程稱為“語義處理”；行動完了，要“想話術(shù)”，同樣都是告訴他時間，說法會有很多種，可以說“5點(diǎn)”，也可以說“現(xiàn)在是2018年5月3日17點(diǎn)03分50秒”，也可以說“還早，剛過5點(diǎn)，咋啦，晚上有約??？”等等，不同的表達(dá)方式，會給人帶來不一樣的體驗(yàn)和感受（這對于語音的體驗(yàn)是一個非常關(guān)鍵且容易被忽略的點(diǎn)，語音的產(chǎn)品經(jīng)理和交互設(shè)計(jì)師務(wù)必注意，都拿出小本本記好了?。覀兎Q這個過程為“語言生成”；當(dāng)然，我們也會把“想意思”->“去行動”->“想話術(shù)”放在一起，都叫做“自然語言處理”（NLP）。
想清楚怎么表達(dá)之后，就要“說出來”，將“文字轉(zhuǎn)換成聲音”的過程，我們叫它“語音合成”，之后再通過揚(yáng)聲器播放出來，不同的聲音會給人帶來不同的感受，比如“郭德綱”和“林志玲”，兩種聲音給人的體驗(yàn)是不一樣。
一次語音交互
＝“聽清楚”->“識內(nèi)容”->“想意思”->“去行動”->“想話術(shù)”->“說出來”
＝“信號處理”->“語音識別”->“語義處理”->“語音合成”
“一個完整的對話”
多次交互組合在一起，形成一個完整的對話；如圖：
當(dāng)我們理解意思之后，要“去行動”，這個行動是什么，和當(dāng)前對話的具體內(nèi)容是有關(guān)的。比如問天氣“今天天氣咋樣？”，這句話里沒有“城市”，我們在設(shè)計(jì)交互流程的時候，就有很多選擇。比如反問他“你想知道哪的天氣？”，讓他告訴你；當(dāng)然也可以自己去“找當(dāng)前位置是哪個城市”，根據(jù)這個“結(jié)果”來決定。如果結(jié)果是“上海”，那就去找“上?！薄敖裉臁钡摹疤鞖狻薄?/p>
和我們正常溝通是一樣的，后面聊的內(nèi)容和前面說的內(nèi)容會有一定的相關(guān)性，我們稱這個相關(guān)的部分，叫“上下文”。上下文可以幫助我們“記憶”當(dāng)前對話的一些信息，比如，之前問“今天的天氣咋樣？”，之后再問“那北京那旮沓呢？”，“問天氣”這個就屬于上下文了，不用再說一次，這也是符合人與人之間的對話方式。
這些復(fù)雜的流程的具體設(shè)計(jì)，我們稱之為“語音交互設(shè)計(jì)”，也是今天大部分人定義“語音交互體驗(yàn)設(shè)計(jì)師”這個崗位的主要工作內(nèi)容。
在這里所提到的“信號處理”、“語音識別”、“語義理解”等等人工智能里的嬌寵，都有一個共同特點(diǎn)，就是“概率性”。“聽清楚”不能保證一定聽得清楚，“識內(nèi)容”不一定全都能辨識清楚，也可能錯了漏了，“想意思”也可能根本不能理解意思，甚至可能南轅北轍，完全曲解，這些都是有一定概率會出現(xiàn)的。其實(shí)人也一樣，很吵的時候，人也不一定聽得清楚；有些時候，也可能聽漏和聽錯；語言中有很多都是有歧義有多重含義的，人都有可能會理解錯誤，更何況機(jī)器呢？
很多產(chǎn)品的童鞋會在這個時候會說“這都是技術(shù)該解決的問題，產(chǎn)品只要想清楚場景，定義好規(guī)則就好”。No，no，?no，?技術(shù)的瓶頸是客觀存在的，想真正做好語音的產(chǎn)品，就必須直面這些局限性，在這些困難之上，逐步構(gòu)建起一個產(chǎn)品體系，去滿足用戶的訴求，去實(shí)現(xiàn)市場的期望。
概念和產(chǎn)品就像理想和現(xiàn)實(shí)，人與人的最基本的對話，看似很平常很簡單，想要真正做到，卻是非常復(fù)雜和困難的?；蛟S研發(fā)將幾個模塊集成到一起，就能在一個終端上把語音對話實(shí)現(xiàn)出來，但這也只是有一個demo而已，真正要交付一款好的語音產(chǎn)品，遠(yuǎn)比想象中的難。換句話說，有的人和你溝通，可能三言兩語你就想讓丫滾犢子，而有的人，卻可以和你嘮三天三夜還意猶未盡。找個能說話的人容易，找個懂說話藝術(shù)的人可能就不那么容易了。
對于語音產(chǎn)品而言，我們不僅要對“人”深度思考，洞悉出人的真正訴求，從中抽象出最適合的產(chǎn)品體驗(yàn)，也要對“人工智能”深度思考，直面現(xiàn)實(shí)的局限性，腳踏實(shí)地，扎扎實(shí)實(shí)做產(chǎn)品，踏踏實(shí)實(shí)磨體驗(yàn)。
好啦，今天的分享會到此結(jié)束，我們下期再見！
