Apple 的 Siri 可以說是最著名的語音助手之一，其中不必按按鈕便能向 Siri 下指令的「Hey Siri」功能也受到許多好評，近日在博客中，Siri 團隊除了表示計劃運用機器學習持續(xù)改進這項功能，也解釋了 iOs 設備的 Hey Siri 功能的運作方式，以及未來計劃持續(xù)改進的目標。

所謂的「Hey Siri」功能，就是讓使用者不必按按鈕、只需在語音指令前加上 Hey Siri，手機便會自動啟動并遵照指示行動。

但 Apple 究竟是怎么做到的？博客文章指出，「Hey Siri」的進化與解決了「關鍵片語檢測」（key-phrase detection）問題相關，同時運用了 DNN 來進行了早期建模工作，并使用了遞歸神經網絡（RNN）來進行多樣化的訓練與學習。

Siri 團隊解釋，之所以選擇以「Hey Siri」作為觸發(fā)語，是因為即使在這項功能推出以前，人們在運用按鈕呼喚 Siri 也會自然而然的在請求前加上這句話。這原先是一個方便用戶的簡單決定，但早期的離線實驗中，Hey Siri 的簡潔和口語性卻為開發(fā)團隊帶來額外的挑戰(zhàn)。

Siri 團隊主要面臨的錯誤辨識挑戰(zhàn)為三種，分別為當用戶表達類似短句時、當非用戶說出 Hey Siri 時，以及最令 Siri 團隊頭痛的當非用戶說出類似短句時。

為了讓 Siri 不被類似短句及非用戶誤導，團隊先是將焦點由尋常語音辨識目標的「說話內容」轉移至辨識「說話者」的身份，利用說話者辨識（speaker recognition, SR）并結合相關技術來增進偵測關鍵短句的系統(tǒng)質量。

以目前來說，Apple 會要求首次使用的用戶以要求的 5 個短句來語音來完成說話者辨識系統(tǒng)的注冊，但除了這種顯性注冊模式之外，團隊也設計了另一種隱性模式（implicit enrollment）的辨識：透過紀錄用戶一段時間內的語音，進而提高對說話者辨識的穩(wěn)健性。

當然考量到個人隱私的因素，音頻將保留于設備上而并非云端，但這種設計目前仍有一些疑慮存在，如果早期紀錄的語音片段并非用戶本人，那么設備可能會錯誤的拒絕用戶指令或錯誤的接受非用戶的聲音，如此一來功能將變得毫無用處。

展望未來，除了像所有語音辨識系統(tǒng)一樣得想辦法克服環(huán)境噪音的問題，Siri 團隊還希望未來用戶能不需經過任何訓練與注冊，在開始使用「Hey Siri」功能后透過用戶的許可，透過生活里的指令中便能將語音辨識資料的內容持續(xù)增長與更新。

雖然還不清楚這些改動何時會推出，但 Apple 經常會在每年 6 月全球者開發(fā)大會上談到 Siri 的重大改進，相信在不久的未來我們很快就能聽到一些好消息。