智能語音機(jī)器人工作原理

NLP vs NLG：聊天機(jī)器人的工作方式

人類談話涉及雙向溝通的方式，聊天機(jī)器人也一樣，只是溝通渠道略有不同——您是與機(jī)器交談。當(dāng)給機(jī)器人發(fā)送消息時(shí)，它會(huì)將其拾取并使用NLP，機(jī)器將文本轉(zhuǎn)換為自身的編碼命令。然后將該數(shù)據(jù)發(fā)送到?jīng)Q策引擎。

在整個(gè)過程中，計(jì)算機(jī)將自然語言轉(zhuǎn)換為計(jì)算機(jī)理解的語言，處理，識(shí)別語音。語音識(shí)別系統(tǒng)常用的是HiddenMarkov模型（HMM），它將語音轉(zhuǎn)換為文本以確定用戶所說的內(nèi)容。通過傾聽您所說的內(nèi)容，將其分解為小單元，并對(duì)其進(jìn)行分析以生成文本形式的輸出或信息。

此后的關(guān)鍵步驟是自然語言理解（NLU），如上文所說，它是NLP的另一個(gè)子集，試圖理解文本形式的含義。重要的是計(jì)算機(jī)要理解每個(gè)單詞是什么，這是由NLU執(zhí)行的部分。在對(duì)詞匯、語法和其他信息進(jìn)行篩選時(shí)，NLP算法使用統(tǒng)計(jì)機(jī)器學(xué)習(xí)、應(yīng)用自然語言的語法規(guī)則，并確定所說的可能的含義。

另一方面，NLG是一種利用人工智能和計(jì)算語言學(xué)生成自然語言的系統(tǒng)。它還可以將該文本翻譯成語音。NLP系統(tǒng)首先確定要翻譯成文本的信息，然后組織表達(dá)結(jié)構(gòu)，再使用一組語法規(guī)則，NLG就能系統(tǒng)形成完整的句子并讀出來。

應(yīng)用

語音助手只是NLP眾多應(yīng)用程序之一。它還可用于網(wǎng)絡(luò)安全文章、白皮書、科研等領(lǐng)域。例如，NLP對(duì)在線內(nèi)容進(jìn)行情緒分析，以改進(jìn)服務(wù)并為客戶提供更好的產(chǎn)品。

而NLG通常用于Gmail，它可以為您自動(dòng)創(chuàng)建答復(fù)。創(chuàng)建公司數(shù)據(jù)圖表的描述說明時(shí)，NLG也是很好的工具。

說NLP和NLG完全不相關(guān)，也不正確，因?yàn)镹LP和NLG相當(dāng)于學(xué)習(xí)中的閱讀、寫作過程，還是有內(nèi)在關(guān)聯(lián)的。

一般智能語音助理或語音機(jī)器人工作原理大致如下：

第階段：語音到文本的過程。信號(hào)源→設(shè)備（捕獲音頻輸入）→增強(qiáng)音頻輸入→檢測(cè)語音→轉(zhuǎn)換為其他形式（如文本）

第二階段：響應(yīng)過程。處理文本（如用NLP處理文本，識(shí)別意圖）→操作響應(yīng)。

在檢測(cè)語音過程中，就包括分辨是否為語音信號(hào)，該過程會(huì)通過指定的頻率對(duì)模擬信號(hào)進(jìn)行采樣，將模擬聲波轉(zhuǎn)換為數(shù)字?jǐn)?shù)據(jù)。這一過程很重要，是否成功地識(shí)別語音。如果生成數(shù)字?jǐn)?shù)據(jù)都是錯(cuò)誤的，那么后期的處理響應(yīng)那肯定是錯(cuò)的。這也是影響智能語音助理或語音機(jī)器人識(shí)別率的重要因素。

在這個(gè)過程，用于語音處理的技術(shù)是語音活性檢測(cè) （Voice activitydetection，VAD），目的是檢測(cè)語音信號(hào)是否存在。VAD技術(shù)主要用于語音編碼和語音識(shí)別。它可以簡(jiǎn)化語音處理，也可用于在音頻會(huì)話期間去除非語音片段：可以在IP電話應(yīng)用中避免對(duì)靜音數(shù)據(jù)包的編碼和傳輸，節(jié)省計(jì)算時(shí)間和帶寬。

與大家分享VAD技術(shù)，首先講兩個(gè)概念：

信噪比（縮寫為SNR或S /N）是科學(xué)和工程中使用的一種度量，它將所需信號(hào)的電平與背景噪聲電平進(jìn)行比較。SNR定義為信號(hào)功率與噪聲功率之比，通常以分貝表示。比率高于1：1（大于0dB）表示信號(hào)多于噪聲。

窗口，研究信號(hào)源，我們將其分成滑動(dòng)窗口或僅窗口。

能量檢測(cè)器

能量檢測(cè)器對(duì)于高SNR信號(hào)是有效的，但是當(dāng)SNR下降直到它在1以下變得無效時(shí)失去效率。它也不能將語音與諸如沖擊噪聲（將筆放在桌子上），打字，空調(diào)或任何噪聲之類的噪聲區(qū)分開來。比人聲更響亮或更響亮。

波形和頻譜分析

在波形和頻譜分析中，語音活動(dòng)檢測(cè)利用語音的已知特征。在該方法中應(yīng)用VAD比基于能量的解決方案更加計(jì)算密集，但是能夠更好地檢測(cè)非平穩(wěn)噪聲和低SNR場(chǎng)景中的噪聲。對(duì)于濁音音素，聲帶的振動(dòng)產(chǎn)生諧波豐富的聲音，具有50到250Hz之間的明顯音調(diào)。所有元音，但也有一些輔音，表現(xiàn)出這種諧波結(jié)構(gòu)，因此是語音的特征。代表諧波結(jié)構(gòu)的特征是語音的可靠指標(biāo)。然而，單獨(dú)使用基于諧度或基于音調(diào)的特征不能預(yù)期無聲語音部分（例如一些摩擦音）被檢測(cè)到。此外，音樂或其他諧波噪聲分量可能被誤解為語音。總的來說，對(duì)信號(hào)的倒譜的分析可以揭示信號(hào)能量的來源。同樣的，基于該共振峰結(jié)構(gòu)，也是語音識(shí)別系統(tǒng)的重要特征。人類聲道中的可變腔允許揚(yáng)聲器形成不同的音素。強(qiáng)調(diào)諧振（或共振峰）頻率，導(dǎo)致頻譜包絡(luò)的特征形狀。平滑很重要，在一個(gè)對(duì)話中，一個(gè)人只有50％的時(shí)間在說話，并且存在大量非活動(dòng)幀。諸如［p］［t］ ［k］ ［b］之類的音是靜音，并且靜音部分可能不會(huì)被算法識(shí)別為語音，這將影響自動(dòng)語音識(shí)別系統(tǒng)的性能。解決方案如下：

要被視為語音，必須至少有3個(gè)連續(xù)的窗口標(biāo)記語音（192ms）。它可以防止短暫的噪音被視為語音。

要被認(rèn)為是沉默，必須至少連續(xù)3個(gè)窗口標(biāo)記為靜音。它可以防止過多的語音切入影響語音節(jié)奏。

如果窗口被認(rèn)為是語音，則前3個(gè)窗口和3個(gè)窗口被認(rèn)為是語音。它可以防止在句子開頭和結(jié)尾丟失信息。

基于統(tǒng)計(jì)分析

MFCC，F(xiàn)BANK，PLP是常用的語音識(shí)別功能。有數(shù)學(xué)運(yùn)算的連接，旨在通過保持相關(guān)的數(shù)據(jù)來減少和壓縮信息的數(shù)量。

在“信號(hào)源→設(shè)備（捕獲音頻輸入）→增強(qiáng)音頻輸入→檢測(cè)語音”過程中，語音成功采樣識(shí)別為數(shù)字?jǐn)?shù)據(jù)，是后期語言處理的前提，在檢測(cè)中文面臨更大挑戰(zhàn)，斷句、語氣、語調(diào)等因素直接影響識(shí)別率。