對於智能產品的用戶來說，喚醒就是語音交互的第一入口，喚醒效果的好壞直接影響到用戶的第一體驗。科大訊飛研究院吳國兵老師做客AI大學，帶來《語音喚醒技術》課程，詳細解讀語音喚醒相關技術。
1、什麼是語音喚醒
語音喚醒在學術上被稱為keyword spotting(簡稱KWS)，吳老師給它做了一個定義：在連續語流中實時檢測出說話人特定片段。
這裡要注意，檢測的“實時性”是一個關鍵點，語音喚醒的目的就是將設備從休眠狀態激活至運行狀態，所以喚醒詞說出之後，能立刻被檢測出來，用戶的體驗才會更好。
那麼，該怎樣評價語音喚醒的效果呢？通行的指標有四個方面，即喚醒率、誤喚醒、響應時間和功耗水平：
喚醒率，指用戶交互的成功率，專業術語為召回率，即recall。
誤喚醒，用戶未進行交互而設備被喚醒的概率，一般按天計算，如最多一天一次。
響應時間，指從用戶說完喚醒詞後，到設備給出反饋的時間差。
功耗水平，即喚醒系統的耗電情況。很多智能設備是通過電池供電，需要滿足長時續航，對功耗水平就比較在意。
2、語音喚醒的技術路線
經過長時間的發展，語音喚醒的技術路線大致可歸納為三代，特點如下：
第一代：基於模板匹配的KWS
訓練和測試的步驟比較簡單，訓練就是依據註冊語音或者說模板語音進行特徵提取，構建模板。測試時，通過特徵提取生成特徵序列，計算測試的特徵序列和模板序列的距離，基於此判斷是否喚醒。
第二代：基於HMM-GMM的KWS
將喚醒任務轉換為兩類的識別任務，識別結果為keyword和non-keyword。
第三代：基於神經網絡的方案
神經網絡方案又可細分為幾類，第一類是基於HMM的KWS，同第二代喚醒方案不同之處在於，聲學模型建模從GMM轉換為神經網絡模型。 第二類融入神經網絡的模板匹配，採用神經網絡作為特徵提取器。第三類是基於端到端的方案，輸入語音，輸出為各喚醒的概率，一個模型解決。
3、語音喚醒的難點
語音喚醒的難點，主要是低功耗要求和高效果需求之間的矛盾。
一方面，目前很多智能設備採用的都是低端芯片，同時採用電池供電，這就要求喚醒所消耗的能源要儘可能的少。
另一方面，用戶對體驗效果的追求越來越高。目前語音喚醒主要應用於C端，用戶群體廣泛，且要進行大量遠場交互，對喚醒能力提出了很高要求。
要解決兩者之間的矛盾，對於低功耗需求，我們採用模型深度壓縮策略，減少模型大小並保證效果下降幅度可控；而對於高效果需求，一般是通過模型閉環優化來實現。先提供一個效果可用的啟動模型，隨著用戶的使用，進行閉環迭代更新，整個過程完成自動化，無需人工參與。
4、語音喚醒的典型應用
語音喚醒的應用領域十分廣泛，主要是C端產品，比如機器人、音箱、汽車等。比較有代表性的應用模式有如下幾種：
傳統語音交互：先喚醒設備，等設備反饋後（提示音或亮燈），用戶認為設備被喚醒了，再發出語音控制命令，缺點在於交互時間長。
One-shot：直接將喚醒詞和工作命令一同說出，如“叮咚叮咚，我想聽周杰倫的歌”，客戶端會在喚醒後直接啟動識別以及語義理解等服務，縮短交互時間。
Zero-shot：將常用用戶指定設置為喚醒詞，達到用戶無感知喚醒，例如直接對車機說“導航到科大訊飛”，這裡將一些高頻前綴的說法設置成喚醒詞。
多喚醒：主要滿足用戶個性化的需求，給設備起多個名字。
所見即所說：新型的AIUI交互方式，例如用戶對車機發出“導航到海底撈”指令後，車機上會顯示“之心城海底撈”“銀泰城海底撈”等選項，用戶只需說“之心城”或“銀泰城”即可發出指令。
進入AI大學官網（aidaxue.com），可查看更多精彩內容。
閱讀更多 AI研究所 的文章
