转发自 AI研究所 2019-01-10
[https://www.toutiao.com/a6644...]
“天猫精灵。”“哎，在的，你说”
“小爱同学，定明天早上8点的闹钟。”“好的，已经帮你定好明天早上8点的闹钟”
不少同学家里都有AI智能音箱产品，例如天猫精灵、小爱同学、小度等等。这些智能音箱不仅便捷了我们的日常生活，也因为他们或机智或逗比的回答，给用户带来了不少欢乐。
这些智能产品中的一项重要的AI能力，就叫做语音唤醒。
首先，设备开启并自动加载好资源，这时它处于休眠状态。然后，当用户说出特定的唤醒词时，设备就会被唤醒，切换到工作状态等待用户接下来的指令。
这一过程中用户不需要用手接触，直接可以用语音进行操作，同时利用语音唤醒的机制，设备不用实时地处于工作的状态，从而节省能耗。
语音唤醒的应用领域比较广泛，例如机器人、手机、可穿戴设备、智能家居、车载等。几乎很多带有语音功能的设备，都会需要语音唤醒技术作为人和机器互动的一个开始或入口。不同的产品会有不同的唤醒词，当用户需要唤醒设备时需要说出特定的唤醒词。
定义
语音唤醒在学术上被称为keyword spotting(简称KWS)，吴老师给它做了一个定义：在连续语流中实时检测出说话人特定片段。
这里要注意，检测的“实时性”是一个关键点，语音唤醒的目的就是将设备从休眠状态激活至运行状态，所以唤醒词说出之后，能立刻被检测出来，用户的体验才会更好。
那么，该怎样评价语音唤醒的效果呢？通行的指标有四个方面，即唤醒率、误唤醒、响应时间和功耗水平：
➤唤醒率，指用户交互的成功率，专业术语为召回率，即recall。
➤误唤醒，用户未进行交互而设备被唤醒的概率，一般按天计算，如最多一天一次。
➤响应时间，指从用户说完唤醒词后，到设备给出反馈的时间差。
➤功耗水平，即唤醒系统的耗电情况。很多智能设备是通过电池供电，需要满足长时续航，对功耗水平就比较在意。
语音唤醒的技术路线
经过长时间的发展，语音唤醒的技术路线大致可归纳为三代，特点如下：
第一代：基于模板匹配的KWS
训练和测试的步骤比较简单，训练就是依据注册语音或者说模板语音进行特征提取，构建模板。测试时，通过特征提取生成特征序列，计算测试的特征序列和模板序列的距离，基于此判断是否唤醒。
第二代：基于HMM-GMM的KWS
将唤醒任务转换为两类的识别任务，识别结果为keyword和non-keyword。
第三代：基于神经网络的方案
神经网络方案又可细分为几类，第一类是基于HMM的KWS，同第二代唤醒方案不同之处在于，声学模型建模从GMM转换为神经网络模型。 第二类融入神经网络的模板匹配，采用神经网络作为特征提取器。第三类是基于端到端的方案，输入语音，输出为各唤醒的概率，一个模型解决。
语音唤醒的难点
语音唤醒的难点，主要是低功耗要求和高效果需求之间的矛盾。
一方面，目前很多智能设备采用的都是低端芯片，同时采用电池供电，这就要求唤醒所消耗的能源要尽可能的少。
另一方面，用户对体验效果的追求越来越高。目前语音唤醒主要应用于C端，用户群体广泛，且要进行大量远场交互，对唤醒能力提出了很高要求。
要解决两者之间的矛盾，对于低功耗需求，我们采用模型深度压缩策略，减少模型大小并保证效果下降幅度可控；而对于高效果需求，一般是通过模型闭环优化来实现。先提供一个效果可用的启动模型，随着用户的使用，进行闭环迭代更新，整个过程完成自动化，无需人工参与。
语音唤醒的典型应用
语音唤醒的应用领域十分广泛，主要是C端产品，比如机器人、音箱、汽车等。比较有代表性的应用模式有如下几种：
➤传统语音交互：先唤醒设备，等设备反馈后（提示音或亮灯），用户认为设备被唤醒了，再发出语音控制命令，缺点在于交互时间长。
➤One-shot：直接将唤醒词和工作命令一同说出，如“叮咚叮咚，我想听周杰伦的歌”，客户端会在唤醒后直接启动识别以及语义理解等服务，缩短交互时间。
➤Zero-shot：将常用用户指定设置为唤醒词，达到用户无感知唤醒，例如直接对车机说“导航到科大讯飞”，这里将一些高频前缀的说法设置成唤醒词。
➤多唤醒：主要满足用户个性化的需求，给设备起多个名字。
➤所见即所说：新型的AIUI交互方式，例如用户对车机发出“导航到海底捞”指令后，车机上会显示“之心城海底捞”“银泰城海底捞”等选项，用户只需说“之心城”或“银泰城”即可发出指令。
