作者 | Alexander Kuznetsov

譯者 | 彎月，責(zé)編 | 夕顏

出品 | CSDN（ID:CSDNnews）

機器人比人類更加適合簡單的勞動密集型任務(wù)，因此我們可以積極使用機器人來處理日常的常規(guī)操作。自動化的應(yīng)用很廣泛，包括與客戶在電話中交談。

在本文中，我們就來談一談如何通過語音識別分辨通話者的性別，并處理對話的技術(shù)和細節(jié)。

首先，我們討論一個業(yè)務(wù)案例，然后將詳細討論技術(shù)。

我介紹一個最有趣的業(yè)務(wù)案例：引入語音機器人取代呼叫中心的員工。這個機器人的功能不是執(zhí)行常規(guī)任務(wù)（例如確認送貨地址），而是找出為什么有些客戶訪問公司網(wǎng)站的次數(shù)減少了。

這項技術(shù)基于功能完整的神經(jīng)網(wǎng)絡(luò)，而不是僅靠某個腳本。神經(jīng)網(wǎng)絡(luò)幫助機器人解決了常常費解的一些問題。這里，我指的是對話者給出這樣的回答：“呃，我不知道，也許是，也許不是吧”，或者“呃，也許吧，可能不是?！币恍┤祟惓Ｓ玫谋磉_方式卻會成為機器人無法逾越的障礙。

經(jīng)過訓(xùn)練后，機器人能夠明白不同短語的含義以及可能的答案。機器人能夠發(fā)出多種聲音，包括男性和女性的聲音。我們的主要任務(wù)是讓機器人更像一個活人，跟它對話的人類不會測試機器本身的功能，而是在目標(biāo)場景的背景下進行對話。

以下是一個結(jié)果的示例。

這個機器人能夠聽取對話者的聲音，并給出有意義的答案。該對話腳本的不同分支總數(shù)超過一千。

這個機器人的主要目的是了解公司網(wǎng)站上客戶活動減少的原因，并為客戶提供有意義的報價。這是該公司首次實現(xiàn)呼叫中心自動化的一次嘗試。

新機器人的效果得到了顯著提升。

下面，我們來談?wù)劵镜募夹g(shù)。

確保機器人性能的三項關(guān)鍵技術(shù)為：

通過語音識別對話者的性別年齡識別管理與人類的對話

我們開發(fā)這個功能是為了利用機器人進行問卷調(diào)查。以前，問卷調(diào)查都是要求人們填寫調(diào)查的問題。例如，問卷上必須標(biāo)明對話者的性別。顯然，人類面試官無需詢問交談的對方是男人還是女人。在99%的情況下，都不會出錯。然而，對于機器人，情況就會有所不同。為了讓機器人學(xué)會準(zhǔn)確地識別聲音，開發(fā)人員不得不解決許多問題。這項工作并沒有白費，如今的技術(shù)可以根據(jù)性別設(shè)置個性化的語音提示。

重要的一點是：女性聲音具有普遍性，適用于處理最廣泛的產(chǎn)品，對于女性產(chǎn)品尤其重要。根據(jù)各種研究，任何聽眾聽到女性的聲音都會感覺很舒服，因此轉(zhuǎn)換成女性聲音的效果更好。例外情況是宣傳男性產(chǎn)品的運動，這時男性的聲音更好。

這種機器人是如何實現(xiàn)的？首先，根據(jù)語音記錄和持續(xù)20 ms的片段處理來執(zhí)行主要數(shù)據(jù)處理。使用VAD（語音活動檢測）組件對所有收集的語音片段進行預(yù)處理。這一步非常必要，通過這一步我們可以將語音與噪聲分離。刪除了所有不必要的元素，從而提高了模型的準(zhǔn)確性。

然后，采用一階/二階微分的倒頻譜系數(shù)空間識別聲音。GMM（高斯混合模型）方法是這種方法的基礎(chǔ)。

因此，我們采用10–20 ms的間隔并計算當(dāng)前的功率譜，然后使用傅里葉逆變換對頻譜的對數(shù)進行搜索，并尋找必要的系數(shù)。

我們的GMM模型可分別使用男性和女性聲音進行訓(xùn)練，還可以使用模型來分辨成人和兒童的聲音。當(dāng)然，訓(xùn)練系統(tǒng)不能什么都沒有，你需要標(biāo)記過的語音錄音。

為了提高系統(tǒng)的效率，我們使用音色語音模型的系數(shù)：

音色清晰度音色溫暖度音色亮度音色深度音色穩(wěn)定性音色增長音色不均音色回聲

我們需要使用音色模型來正確識別孩子的聲音，因為其他模型都將孩子的聲音視為女性。此外，你還需要區(qū)分低沉的女性聲音（例如，吸煙的老年婦女的聲音），男性聲音較高的聲音等。順便說一句，如果一個人說“你好”然后咳嗽，那么以前所有不帶音色過濾器的模型都會將這種聲音視為男性。

該系統(tǒng)的主要組件是基于MLP多層感知器的數(shù)據(jù)分類模塊。它可以接收來自男性和女性聲音模型的數(shù)據(jù)以及來自音色模型的數(shù)據(jù)。系統(tǒng)接收預(yù)分類值的數(shù)組作為輸入，然后輸出分辨性別的結(jié)果。

這種技術(shù)可用于在線（根據(jù)客戶的第一句話）和離線分類模式（在對話之后）。性別識別準(zhǔn)確率約為95%。值得一提的是，在線工作時的延遲不會超過120–150 ms，只有這樣機器人才能更像人一樣。通常，機器人與人交流時的停頓會長達幾秒，人類會對這種行為感到奇怪，立即就能判斷出對方使用了數(shù)字系統(tǒng)。

開發(fā)人員還在添加處理文本的功能。如果對話者提及自己是女性，那么對話者肯定是女性。在不久的將來，我們將改進這項技術(shù)并將其集成到識別系統(tǒng)中。

確定對話者的年齡

這項技術(shù)主要是為了防止向未成年人提供各種產(chǎn)品和服務(wù)。此外，了解年齡對于按年齡類別個性化報價非常有用。

我們采用了與前面的情況完全相同的技術(shù)。系統(tǒng)的準(zhǔn)確性約為90%。

構(gòu)造對話

接下來，我們來討論最有趣的部分：構(gòu)造對話的原理。

這項技術(shù)的主要目的是有效地替換人類，機器人必須能夠處理線性和非線性對話場景。第一種情況指的是問卷調(diào)查等；第二種可以是呼叫中心、技術(shù)支持服務(wù)等與用戶的交互。

工作原理：我們使用基于語義分析的NLU引擎，從ASR系統(tǒng)接收文本。然后，定義構(gòu)造對話流的邏輯中使用的識別對象，例如實體和意圖。

舉例說明這些技術(shù)的使用。

我們從語音識別系統(tǒng)（ASR）收到如下文本：

“總的來說，我對您的推薦很感興趣，但是我希望價格能再便宜一點。我現(xiàn)在有點忙。你能在明天六點再給我打個電話嗎？”

使用NLU引擎填充的對象：

意圖：

確認=真異議=昂貴問題=回電=真錯誤的時間=真

實體：

日期=2019年1月2日（假設(shè)通話日期為2019年1月1日）時間= 18：00數(shù)量= 6

在這個示例中，填充對象的方法如下：

意圖：

“我對您的推薦感興趣”轉(zhuǎn)換為“確認”意圖，值為“真”?！暗俏蚁Ｍ麅r格能再便宜一點”轉(zhuǎn)換為“異議”，意思是“昂貴”。“我現(xiàn)在有點忙”轉(zhuǎn)換為“錯誤的時間”，值為“真”?！澳隳茉诿魈炝c再給我打個電話嗎？”轉(zhuǎn)換為“回電”，值為“真”。用戶沒有提出任何問題，因此“問題”的意圖為空。

實體：

文本“明天”自動轉(zhuǎn)換為“2019年1月2日”的實體，計算公式為：目前的日期 1（假設(shè)通話日期為2019年1月1日）。文本“六點”自動轉(zhuǎn)換為“時間”實體，值為“下午6:00”。文本“六”轉(zhuǎn)換為值為“6”的“數(shù)量”實體，由于存在較高優(yōu)先級的實體，因此在此邏輯中可以將其忽略。

現(xiàn)在，所有的意圖和實體都分配了特定的值，接下來我們來構(gòu)建對話流程。

首先，我們來看看NLU Engine支持的算法。該系統(tǒng)包括兩個級別。

第一層使用相對較小的數(shù)據(jù)樣本，其中包含大約600–1,000條記錄。此處使用機器學(xué)習(xí)算法，識別準(zhǔn)確度為90%–95%。

在啟動該項目并積累100萬條以上記錄的大量數(shù)據(jù)之后，我們進行第二級的轉(zhuǎn)換。此處使用DL算法。識別準(zhǔn)確度為95%–98%。

該解決方案與以下兩個子系統(tǒng)一起使用：

用于文本數(shù)據(jù)分類的子系統(tǒng)對話設(shè)計子系統(tǒng)

這兩個子系統(tǒng)并行工作。分類和分類系統(tǒng)根據(jù)與用戶的語音通話接收識別的文本，并通過Entity和Value參數(shù)構(gòu)造答復(fù)。

非線性場景的對話構(gòu)建子系統(tǒng)是基于神經(jīng)網(wǎng)絡(luò)構(gòu)建的。該系統(tǒng)根據(jù)與用戶的語音通話接收識別的文本，并發(fā)出有關(guān)應(yīng)在下一個時刻播放哪些錄音的決定。

非線性方案適用于機器人不知道誰在打電話，不知道用戶對哪個產(chǎn)品感興趣，也不知道可能被問及哪些問題。此時，通話的推進取決于客戶的響應(yīng)。

但是，在撥出電話的時候，線性方案才是最佳解決方案。本文的開頭給出了相應(yīng)的示例。線性場景的另一個示例與調(diào)查有關(guān)，這種情況下客戶的回答無關(guān)緊要，因為我們會對客戶的回答做一步的分析。但是，重要的是引導(dǎo)客戶回答問卷上的所有問題。

總的來說，我們要強調(diào)的是，語音機器人不會取代人類。如今，機器人能夠勝任打電話詢問一些問題，并聆聽、記錄和/或分析答案。希望借此將呼叫中心和技術(shù)支持的操作員從日復(fù)一日的例行工作中解放出來，讓他們專心解決真正有趣的問題以及重要的任務(wù)。

原文鏈接：

本文為CSDN翻譯文章，轉(zhuǎn)載請注明出處。

?AI 時代，為什么程序員很貴？

?“生命游戲之父”因新冠肺炎逝世，回顧數(shù)學(xué)頑童的一生

?天吶，你竟然還在用 try–catch-finally

?北京四環(huán)堵車引發(fā)的智能交通大構(gòu)想

?你公司的虛擬機還閑著？基于Jenkins和Kubernetes的持續(xù)集成測試實踐了解一下！

?：詳析這些年互聯(lián)網(wǎng)的發(fā)展及未來方向