來源：CSDN（ID：CSDNnews）
導 讀
“Hey Siri!”這項功能是朝著自動化和提高移動電話易用性邁出的革命性一步，它的一個小小的改變卻對用戶體驗產生巨大的影響。今天，我們就來解密“Hey Siri” 背後的那些黑科技！
如今蘋果手機可隨時檢測並回答“Hey Siri”命令，有人可能會想，它是不是在隨時記錄我們的日常生活對話呢？
答案是否定的！
“Hey Siri”能做的並沒有我們想象的那麼多！
讓我們先看看“Hey Siri!”的發展歷史吧。
“Hey Siri！”作為預裝語音助手Siri的附加功能，於2014年9月在iOS 8中發佈。然而，在iOS 9（2015年9月）它升級了，只允許被用來識別用戶的個性化語音。
而谷歌助手在2013年之前就已經有了這個功能，但是，在你的屏幕關閉時，它不能支持這個功能。即使是現在，很多安卓手機都不支持這個功能。
讓我們來比較一下用戶體驗，如下圖所示：
常規方式 vs.“Hey Siri！”
常規方式是這樣的：用戶拿起手機 -> 長按home按鈕 -> Siri啟動。
而在“Hey Siri！”方式下，用戶只需說“Hey Siri！”，無需按鍵，就可以讓Siri啟動。
這樣有一個好處是，因為當用戶不方便使用手操作（如開車時），用戶也可以使用手機的一些功能。
Siri的前身：M9運動協處理器
“協處理器”可以理解為具有有限功能和電池消耗的輔助處理器，用來支持即使在手機空閒（屏幕關閉）時也可以訪問“始終開啟”的功能。
M9運動協處理器是蘋果協處理器家族的第三代產品，於2015年9月與iPhone 6s一起推出。得益於它基於ARM、64位的A9片上系統所具有的強大的處理能力和微量的電池消耗，這個蘋果手機著名的“喚醒”功能才得以實現。M9有時也被人們描述為“嵌入到運動協處理器上的始終在線處理器（AOP - Always on Processor）”
“Hey Siri！”是如何工作的？
當你第一次啟用這個功能時，它會提示你說一定次數的“Hey Siri！”。然後你的iPhone將這些聲音保存起來，用做將來識別你的個性化聲音的“觸發鍵”。
這個個性化的“觸發鍵”保存在協處理器中，即使你的手機處於空閒狀態，協處理器也會偵聽（而不是聽到）落到麥克風上的所有聲音。
因此，當聲音落在麥克風上，並與“觸發鍵”匹配成功後，協處理器就會激活主處理器開始錄音（就像我們長按主屏幕按鈕打開Siri一樣）。然後，該錄音被髮送到服務器，並以類似於每個語音助手的過程進行解釋。
想象一下這個過程，就好像你擁有數千把鑰匙，你正試圖找到哪把鑰匙正好匹配你要打開的鎖。
這裡要注意的重要一點是，AOP處理器（A9）總是在“偵聽”而不是“聽”用戶的聲音。它就像一個嬰兒，他一直在聽人說話，但無法完全處理聽到的話，只有在呼喚他的名字時，它才會被觸發而開始工作。
M9運動協處理器於2015年9月與iPhone 6s一起發佈。但正如本文一開始所說，“Hey Siri！”功能早於2014年9月就已經推出。那麼，早期版本的iPhone 是如何能夠“被動地”偵聽呢？
好吧，如果你碰巧認識一個擁有iPhone 6的人，你可以檢查一下“Hey Siri！”。即使你的手機處於空閒狀態（屏幕關閉），該功能也只能在充電模式下工作。正如我們可以簡單地推斷的那樣，它僅僅能在充電時獲取少量的額外電量。看看下面iPhone 6 Siri的設置截圖：
“Hey Siri！”背後的算法
用戶的聲音會以0.01秒為一幀的單位被採樣下來，然後每次將20個這樣的幀（0.2秒），連續輸入到深度神經網絡（DNN），神經網絡將這些聲音轉換為概率密度函數，當該函數值超過最低閾值時，從而激活主處理器。
DNN訓練
這裡的閾值不是固定不變的，而是根據背景噪聲而變化。因此，為了清楚地理解，你可以說DNN每時每刻都在計算閾值。
此外，當第一次記錄你的語音樣本並生成“觸發鍵”時，實際上是在訓練該DNN並定義權重以計算概率。
對於不同的口音，DNN的訓練是不同的。例如，“Hey Siri”的發音有點像美國英語中的“Serious”，只是它沒有標點符號。而“Hey Siri！”中的“ i”發音長度不同，而且帶有一個驚歎號。
“Hey Siri”背後的數學計算
下面的內容是為所有機器學習愛好者準備的：）。
這是深度神經網絡（DNN）模型：
DNN模型
總的概率函數如下：
其中：
F(i,t)是模型中狀態i的累計分數
q(i,t)是聲學模型的輸出。這個輸出是語音類別的對數分數，它與時間t附近給定語音模式的第i個狀態有關
s(i)是和留在狀態i相關的開銷
m(i)是從狀態i繼續向後移動的開銷
這裡的s(i)和m(i)與定義“觸發鍵”時訓練的權重相關，可以這樣假設：
s(i)- 由“觸發鍵”的單個幀決定，取決於音調、音量等參數。
m(i)- 取決於“觸發鍵”的頻率，或簡而言之速度，以及s(i)參數改變的大小和快慢。
例如：m(i)和 s(i)對埃米納姆（Eminem）和阿黛爾（Adele）來說是非常不同的，因為埃米納姆唱得更快（實際上要快得多），同時變化較小。而阿黛爾唱得更慢些，而且變化更大。
考慮到處理功率和電池消耗，對於協處理器（32層）和主處理器（192層），DNN中的層級大小是不同的。
“Hey Siri!”這項功能雖然沒有被廣泛宣傳，但它卻是朝著自動化和提高移動電話易用性邁出的革命性一步。它也可以被視為一個很好的例子，說明一個小小的改變如何對用戶體驗產生巨大的影響，以及這些小小的革命性改變有時需要進行廣泛的研究。
原文鏈接：https://hackernoon.com/how-does-hey-siri-work-without-your-iphone-listening-to-you-at-all-times-827932do
閱讀更多 物聯網智庫 的文章
