AI語音助手的未來

讓形象更可感——Gatebox

Gatebox是日本公司vinclu專門為宅男打造的一款全息影像人工智能管家，可以說日本人民是真的會玩，你可以去官網(wǎng)感受一下他們的宣傳片

第一個畫面，宅男在公司加班，Hikari Azuma通過Line發(fā)去了消息，“你記得今天是什么日子嗎？什么時候回來？”宅男說，“馬上回來！”Hikari Azuma：“好棒！”，隨手打開了家里的燈，等待主人回家。

宅男回家后，Hikari Azuma立馬甜蜜問候：“歡迎回來?！比缓笮叽鸫鸬卣f：“今天是我們住在一起三個月紀念日，你記得嗎？”

宅男立馬拿出了禮物，Hikari Azuma看到之后開心地鼓掌。

宅男準備好食物和酒，開始慶祝時，Hikari Azuma把家里的燈光系統(tǒng)調(diào)節(jié)成了溫馨浪漫的風(fēng)格。

最后，宅男和Hikari Azuma舉起酒杯，互相感謝對方的陪伴。視頻最后的一句話寫著：Living with characters(和二次元老婆一起生活)。

不少中國同胞在youtube上呼吁雷軍趕緊把這個公司買下，在中國用感動人心的價格福利大眾，哈哈。

根據(jù)梅拉比安模型：感情表達＝內(nèi)容7%+語調(diào)語氣38%+表情肢體語言55%，所以僅靠語言文字遠遠不夠，甚至像Google Duplex做到分辨不出說話者是AI還是人也還不夠，長期來說，更重要的會是“多模態(tài)交互”。

在Gatebox的交互中，比如調(diào)低燈光亮度時，她會擺出朝燈呼氣的動作，詢問天氣時，她又會做出側(cè)身展示天氣預(yù)報的動作。小愛同學(xué)是首個正式發(fā)布人工智能虛擬形象的AI語音助手，“米娘”的形象也受眾多米粉們喜愛，如果真的能把成本降下來的話，相信會有蠻多人（尤其是宅男們）入坑的。

退而求其次，就算不做全息影像，做一個平面投影也是可以的嘛。

讓關(guān)系更自然——Replika

Replika是Luka Inc.公司開發(fā)的一款Chatbot，據(jù)說初衷是為了緬懷兩位創(chuàng)始人在車禍中失去的摯友，通過搜集他生前的社交聊天預(yù)料來創(chuàng)建一位虛擬人。

拋開它作為一款Chatbot與AI語音助手的需求差別，我覺得它設(shè)計得非常好的是被稱為“反芻機制”的功能，將你在和它聊天時提到的語料在一段時間間隔之后提取出來，自然地插入到交流當中，感覺就像你跟朋友提起你最近睡眠不好，過了一段時間后朋友會來關(guān)心你的近況，感覺非常的貼心。

真的有一種感覺，就像《小王子》里面有一段，小王子對小狐貍說我們一起玩啊，小狐貍回答說我現(xiàn)在還不能和你一起玩，因為我還沒有被馴養(yǎng)。

馴養(yǎng)是指彼此共同投入一段時間，結(jié)成一種關(guān)系，人類是AI的訓(xùn)練師，但與此同時，AI其實也在訓(xùn)練你如何與它進行互動?；蛟S只有這樣，千禧一代的互聯(lián)網(wǎng)原住民才能跨過未來與AI原住民之間的鴻溝。小愛同學(xué)雖然沒有Chatbot的這種天然場景，但還是有很多落地點的：

小愛音箱的對話，由于無法主動開啟對話，可以選擇在識別到用戶當前意圖與語料庫中的語義信息相關(guān)時補充對話，比如用戶說：“播放音樂”，小愛會回復(fù)：“愛聽歌的人運氣都不會太差哦”，那么可以再回復(fù)“我記得你說你注意力很難集中，要不要聽聽我給你推薦的輕音樂？”。

智能手機消息欄的推送，比如用戶說：“我最近睡眠不太好。”，小愛會回復(fù)：“多鍛煉有助睡眠?！?，那么就可以推送“我記得你和我說過你睡眠不太好，小愛為你找到了一些催眠音樂，試試對我說：我想聽催眠音樂”；

讓對話更真實——Google Duplex

在5月9日的Google I/O大會上，Google Duplex的一句 “umms”著實讓人驚艷，5 月 11 日，谷歌母公司 Alphabet 董事長（前斯坦福校長）John Hennessy 表示，他們還達成了一項里程碑成績 ——Duplex （部分）通過了圖靈測試。

對Google Duplex不了解的朋友，如果能科學(xué)上網(wǎng)的話，可以到Google AI Blog上看看Google官方的介紹原文：

以下對Google Duplex的技術(shù)認知來源于蟲門科技郭靖的文章，這是我看到的對Google Duplex最深入的分析，感興趣的朋友可以點擊鏈接閱讀原文：

Google Duplex讓對話如此真實主要是體現(xiàn)在兩大塊——自然語言理解與對話模塊、文本轉(zhuǎn)語音模塊。

（1）文本轉(zhuǎn)語音模塊

文本轉(zhuǎn)語音模塊（即語音合成）技術(shù)比較明了，在博客中交代得比較清楚，沒有什么懸念。

We use a combination of a concatenative text to speech (TTS) engine and a synthesis TTS engine (using Tacotron and WaveNet) to control intonation depending on the circumstance.

我們結(jié)合使用聯(lián)結(jié)式文本到語音（TTS）引擎和綜合TTS引擎（使用Tacotron和WaveNet）來控制語調(diào)，具體取決于環(huán)境。

（2）自然語言理解與對話模塊

在自然語言理解與對話模塊的具體實現(xiàn)上Google就不是很老實了，只是給了一些比較寬泛的概念。

郭靖在他的文章中給出了以下猜想：

在這個猜想的架構(gòu)中，用戶的語音通過ASR識別為文字后，會通過預(yù)設(shè)的規(guī)則轉(zhuǎn)化為形式語言，將重要實體用形式模板代替。

這樣形式化后的文本與語音、上文的形式文本一起送入一個encoder模型，其將這些原始信息編碼成兩個語義信息向量，一個代表本輪用戶的語言，另一個代表上幾輪對話。

同時，通過ASR識別的文本還會與上幾輪對話的文本、通過Google Assistant傳來的條件參數(shù)（代表對話的目標，用戶本身的信息等大前提）一起進入另一個網(wǎng)絡(luò)，其根據(jù)輸入的信息輸出一個代表當前對話狀態(tài)信息的向量。

這一網(wǎng)絡(luò)很可能具備每一輪對話為一個step的循環(huán)結(jié)構(gòu)，意味著這個對話狀態(tài)信息的更新會參考前一輪對話狀態(tài)的信息。

當然，在拿著錘子找釘子的當下，這一塊就太偏前沿技術(shù)了，但是對于AI，對于整個人類歷史，技術(shù)始終都是推動發(fā)展的源動力。