语音识别及交互

基础概念

ASR（Automatic Speech Recognition）：语音识别，声音到文字
NLU（Natural Language Understanding）：自然语言理解，理解意图
DM（Dialog Management）：对话管理
NLG（Natural Language Generation）：自然语言生成
TTS（Text To Speech）：语音合成

语音识别

• 信号处理，声学特征提取
  声音信号是连续的模拟信号，要让计算机处理首先要转换成离散的数字信号，进行采样处理，通常的采样率为16KHz。
  在数字化的过程中，我们首先要判断端头，确定语音的开始和结束，然后要进行降噪和过滤处理（除了人声之外，存在很多的噪音），保证让计算机识别的是过滤后的语音信息。获得了离散的数字信号之后，为了进一步的处理我们还需要对音频信号 分帧。因为离散的信号单独计算数据量太大了，按点去处理容易出现毛刺，同时从微观上来看一段时间内人的语音信号一般是比较平稳的，称为 短时平稳性，所以会需要将语音信号分帧，便于处理。
  通常一帧为20~50毫秒，同时帧与帧之间有交叠冗余，避免一帧的信号在两个端头被削弱了影响识别精度。常见的比如 帧长为25毫秒，两帧之间交叠15毫秒，也就是说每隔25-15=10毫秒取一帧，帧移为10毫秒，分帧完成之后，信号处理部分算是完结了。
  随后进行的就是整个过程中极为关键的特征提取。将原始波形进行识别并不能取得很好的识别效果，而需要进行频域变换后提取的特征参数用于识别。常见的一种变换方法是提取MFCC特征，根据人耳的生理特性，把每一帧波形变成一个多维向量，可以简单地理解为这个向量包含了这帧语音的内容信息。
  实际应用中，这一步有很多细节，声学特征也不止有MFCC这一种，具体这里不讲，但是各种特征提取方法的核心目的都是统一的：尽量描述语音的根本特征，尽量对数据进行压缩。
• 识别字符，组成文本
  特征提取完成之后，就进入了特征识别，字符生成环节。这部分的核心工作就是从 每一帧当中找出当前说的音素，再由多个音素组成单词，再由单词组成文本句子。 其中最难的当然是从每一帧中找出当前说的音素，因为我们每一帧是小于一个音素的，多个帧才能构成一个音素，如果最开始就错了则后续很难纠正。
  怎么判断每一个帧属于哪个音素了？最容易实现的办法就是概率，看哪个音素的概率最大，则这个帧就属于哪个音素。那如果每一帧有多个音素的概率相同怎么办，毕竟这是可能的，每个人口音、语速、语气都不同，人也很难听清楚你说的到底是Hello还是Hallo。而我们语音识别的文本结果只有一个，不可能还让人参与选择进行纠正。
  这时候多个音素组成单词的统计决策，单词组成文本的统计决策就发挥了作用，它们也是同样的基于概率：音素概率相同的情况下，再比较组成单词的概率，单词组成之后再比较句子的概率。
• 信号处理：模数转换，识别端头，降噪等等。
• 信号表征：信号分帧，特征提取，向量化等等。
• 模式识别：寻找最优概率路径，声学模型识别音素，词汇模型和语言模型识别单词和句子。

NLU

自然语言理解 Natural Language Understanding，目的是让机器能理解人类语言中的意图，输入来源可以是ASR的文本结果 ，也可以是纯粹的文本。在整个的语音交互中，NLU起到承上启下的作用，只有完全理解了会话的意图，机器才能给出精准的反馈。而由于人类语言的多样性和复杂性，NLU一直是人工智能领域的硬骨头，本章将重点介绍其中的难点，技术原理，关键指标。

对话管理

ASR让机器听见，而NLU让机器听懂，再然后就应该是听懂之后怎么做，而这些则是对话管理的工作。为了获得获得接近甚至等同于人的交互体验，对话管理非常重要，在不同的系统中，对于对话管理有不同的翻译，有的称作对话引擎Conversation Engine，这里我们统一称为对话管理DM（Dialog Management）。
DM根据用户的输入获得任务，然后明确出任务所需要的信息，对接业务平台完成任务，或者要求用户进一步输入更多信息，直到能够完成任务，最后将任务执行结果返回给用户。
可以这么说，ASR和NLU决定了语音交互的下限，而DM则决定了语音交互的上限。DM就像是语音交互的大脑，灵魂，是业务能力的载体，决定着交互逻辑的下一步状态，下一个动作。

自然语言生成

NLU将文本转化为语义表征，而NLG将语义表征转化为文本，是一个逆向的NLU过程。NLU本质上来说是一个文本分类器，而NLG则对应的是一个文本泛化器。传统上，将输入数据转换为输出文本的NLG问题通过将其分解为多个子问题来解决， 一般可以将这些问题分为以下六类：

1.内容确定（Content determination）：决定在建文本中包含哪些信息，
2.文本结构（Text structuring）：确定将在文本中显示的信息，
3.句子聚合（Sentence aggregation）：决定在单个句子中呈现哪些信息，
4.词汇化（Lexicalisation）：找到正确的单词和短语来表达信息，
5.引用表达式生成（Referring expression generation）：选择单词和短语以识别域对象，
6.语言实现（Linguistic realisation）：将所有单词和短语组合成格式良好的句子。
其中内容确定在语音交互的结构中通常已经由DM决定了，剩余部分可以划分为两个部分，一部分为句子规划，另一部分为句子实现。