# 让语音助手好好说话这项成就，Google 还有些事儿没告诉你

- 作者：木斯
- 发布时间：2018-05-15 10:56
- 分类：产品
- 原文：https://www.ifanr.com/1030095

![](https://s3.ifanr.com/wp-content/uploads/2018/05/google-i-o-2018-how-googles-duplex-demo-stole-the-show-1.jpg)

人工智能仍然在不断颠覆着我们对“黑科技”这一名词的认知，这是很多人看完 Google 新语音交互技术演示后的感叹。

![](https://s3.ifanr.com/wp-content/uploads/2018/05/1526070606-101304143gettyimages-644430948.jpg)

在上周召开的 Google I/O 大会上，Google CEO 桑达尔·皮查伊（Sundar Pichai） 向众人展示了一段日常生活中再正常不过的[电话沟通片段](https://v.qq.com/x/cover/5z9rqr33q9t4e09/t0648ii7azy.html)：向理发店或是餐厅预约时间。

不同之处在于，这是一段 Google AI 语音助手和真人之间的对话。它实在是太过真实，倘若不是在发布会上，单纯听这段录音恐怕很难分清谁是 AI 人工智能，谁才是真人。

![](https://s3.ifanr.com/wp-content/uploads/2018/05/2018-05-15-09_55_43.gif)

最后，名为 Google Duplex 的人工智能助理出色地完成了往日需要真人实现的电话预约服务，也让我们看到语音助手了下一种演变方向。

借助 AI 技术，人类和语音助手之间的沟通不再是单向的，而是可以很自然流畅地实现多段沟通，就像人与人之间的对话一样。

这种自然，具体体现在以下几个细节：

> 1.更加富有情感的变调语气，比如提问句中会有停顿，某些单词则带有明显的拖长音；
> 
> 2.哪怕是对方回答的内容稍显混乱，Duplex 也能调及时调整应答内容；
> 
> 3.会发出诸如“嗯哼”、“额…”这样的语气词；
> 
> 4.恰到好处的回应速度。

事实上，人类在日常对话中并不会太讲究语序逻辑，有可能会在一个句子中夹杂着多层意思，这一点在 Google 现场演示的两个电话沟通案例中也有体现。如果在中文领域，大量的同声词或是同音字会让情况变得更加复杂。

![](https://s3.ifanr.com/wp-content/uploads/2018/05/5Q9A9873-2.jpg)

当然，目前 Duplex 只是在“电话预约”这一领域能够自然地和人类交流。Google 之所以会选择这个先行试验领域，也是由于这个场景中涉及的问题不多，对话往往都离不开时间、地点、人数等这类的关键词。而单一环境意味着 AI 能够更加充分地学习该场景下的内容，并进行有针对性地训练。

但是，由于真人对话的语序问题，电话沟通中的许多确定性信息，往往要在几段对话后才会出现，比如“时间是下周五”→“什么时候？”→“下周五，18 号”这种关于时间点的反复确认。

### 语音助手不仅更聪明，连声音都越做越逼真

为了准确处理对话问题，我们结合 [Google AI 官方博客](https://ai.googleblog.com/2018/05/duplex-ai-system-for-natural-conversation.html)的内容，简单梳理了一下 Duplex 的处理流程：

> 1.依靠 TensorFlow Extended 搭建一个循环神经网络（RNN）模型，并使用匿名通话数据进行了训练；
> 
> 2.真人语音会先通过自动语音识别技术（ARS），向 RNN 网络输入文本信息，其中也包含了音频特征和对话历史；
> 
> 3.通过 RNN 生成的文本会借助 TTS 将文本转语音，来作为最终应答的内容。

![](https://s3.ifanr.com/wp-content/uploads/2018/05/rnn_big.png)

这么看，Google Duplex 和其它很多人工智能在做的事情也很相似。它们都要先通过大量的数据进行分析训练，自己学习处理和识别这些数据，然后再借助合适的模型导出预测结果。

至于大众所关心的“Duplex 的说话声和人类差不多”，一方面前文也提到，单一领域下 AI 可以进行更深度的学习；另一方面，Google 则是借助了包括 WaveNet 在内的文本转语音技术，让 AI 可以根据不同情境来改变语气和语调，生成质量颇高且细致入微的语音。

![](https://s3.ifanr.com/wp-content/uploads/2018/05/google-io-2018-google-assistant-7136.jpg)

（图片来源：[CNET](https://www.cnet.com/how-to/how-to-get-all-google-assistants-new-voices-right-now/)）

其中一点很重要的是“语气词”的运用，人类在说话的过程中也会思考，其中的停顿往往就会伴随着一些语气词。我们会在 Google Duplex 的应答中听到如此自然的表达，有些是开发人员在训练时刻意为之，有些则是为了能更好地过度多个声音单元。

当然，在应对一些需要快速回应的询问比如“你好”时，Google Duplex 可能都不会等待模型运算结果，而是会先给出一个模糊的回答，然后再根据之后的内容配合一个正式回应。

![](https://s3.ifanr.com/wp-content/uploads/2018/05/ok_for_4_big.png)

这个手段可以让 AI 的响应时间更快，同时也更加自然——毕竟如果对复杂问题回应太快，听起来可就不像是一个“人类”能做到的事。

这种“拟人声”的自然语音表达，背后离不开文字转语音技术的进步。现在很多的语音助手，一个句子只是将几个单词的语音拼接在一起，虽然结构本身没问题，但语调基本没有起承转合，听起来就非常生硬。

最典型的例子其实就是我们给 10086 打业务办理电话，大家都知道其中的回应语音都是预设的——那种声音不带任何情感，所以我们都能“听”的出来。

![](https://s3.ifanr.com/wp-content/uploads/2018/05/maxresdefault-8.jpg)

（图片来源：[Marques Brownlee](https://www.youtube.com/watch?v=BkpAro4zIwU)）

但 Google Duplex 不一样，它发音的清晰度可能比人类都更为标准。

早在 2016 年，Google 和 DeepMind 就向我们展示了名为 [WaveNet](https://cloudplatform.googleblog.com/2018/03/introducing-Cloud-Text-to-Speech-powered-by-Deepmind-WaveNet-technology.html) 的基于深度学习的语音生成模型。由于音频涉及了大量信息，它借助卷积神经网络的层层堆叠和延时连接，以及大量的样本训练，最终生成的原始音频波形在韵律和语调上都表现得非常出色。

![](https://s3.ifanr.com/wp-content/uploads/2018/05/cloud-text-to-speech-1.png)

在实际的美国英语语音测试环节中，WaveNet 的声音得分已经非常接近人类的水准，如果再加上句式的准确性因素，可能还不亚于人类。

现在 Duplex 便在文字转语音这一环节中使用了 WaveNet 的语音合成技术。同时，和图像识别、翻译等 Google 云计算平台 API 一样，WaveNet 的文字转语音服务，也成为了当前 Google 云计算服务的卖点之一。

### 对语音沟通服务有需求的，不仅只是电话预约

根据 Google 的计划，Duplex 会率先在餐馆、理发店等电话预定较多的领域开始进行测试。正如前文所说，电话预约领域涉及的关键词不多，在 AI 的帮助下，可以减少很多“重复沟通”的工作。

> 1.对商家来说，如果使用了 Duplex 支持的预定系统，哪怕在离线状态下也可以让客户通过 Google Assistant 实现预定。
> 
> 2.节假日中有些商家会变更营业时间，这时也可以让 Duplex 在电话询问后再通过 Google 自动更新信息，而不需要商家自己操作，用户也不用反复给商家打电话确认。
> 
> 3.Google Duplex 完成电话预约的过程是后台全自动的，完成后会直接在手机上提醒用户，这一点对于残障人士来说帮助极大；若是遇到 Duplex 无法识别的任务，则会转交给用户来继续完成。

![](https://s3.ifanr.com/wp-content/uploads/2018/05/end_to_end_big.png)

至于 WaveNet 文字转语音技术，接入 Google 云计算平台则可以运用在更广泛的领域。目前 Google 已经明确了几个实际应用场景：

> 1.和智能电视、汽车、机器人、智能音箱等物联网设备进行结合，其中驾驶和客厅这两大场景是目前语音交互的重点关注领域。
> 
> 2.打造更为自然的语音表达系统，尤其是一些对电话语音服务有需求的运营商公司，比如刚才说的中国移动 10086。
> 
> 3.将文本内容（如资讯和电子书）转换为播客和有声读物，主要看重的还是拟人化的朗读效果。

另外，微软在今年的 Build 2018 开发者大会上也展示了 Cortana 语音助手在多人商务会议场景中的运用。

![](https://s3.ifanr.com/wp-content/uploads/2018/05/build-demo-translation-100756978-orig.jpg)

会上[展示](https://www.engadget.com/2018/05/07/microsoft-ai-meeting-sensor/?guccounter=1)了一个圆椎体的音箱产品，它不仅支持人脸识别，而且还可以将多个人的聊天对话转成文字，并支持实时翻译，形成一份完整的会议报告，它甚至还可以解读出会议中的对话内容，对待办事项进行分类，以及提前安排下一次的会议时间和会议室。

虽说这只是一次视频演示，但也证明，AI 语音助手远不止现在问个天气和定个闹钟那么简单。

### 可既然是机器人，为什么要刻意做得和真人一样？

用人工智能减少人力成本，提升效率，一直是大多数公司都希望实现的事。一方面，我们都希望能够利用自动化手段，将刚才所说重复性、可预测的高度流程化任务，交给机器人甚至是 AI 来完成，让我们可以把精力放在那些更具创造性、不确定性因素更高的工作上，后者是目前人工智能难以取代的。

但另一方面，就和其它“将人工智能做得神似真人”的技术一样，Google Duplex 的亮相也引发了新一轮用户对人工智能技术的担忧。

![](https://s3.ifanr.com/wp-content/uploads/2018/05/google-duplex-privacy-concerns-04-blog.jpg)

牛津互联网学院的数字道德实验室博士 Thomas King 就[表示](https://techcrunch.com/2018/05/10/duplex-shows-google-failing-at-ethical-and-creative-ai-design/)：“Google 的这项测试其实是精心设计的一个骗局，如果他们假定人类无法区分出真人和 AI 的声音，如果一个接线员认为自己长期都在和一群机器人聊天，那么他的沟通方式还能保持和以前一样吗？也许没有礼貌也没关系？反正更粗鲁也不会伤到人心？这种想法会持续停留在脑海中——哪怕是他接到了一个来自真人的电话。”

也有人[认为](https://twitter.com/stewartbrand/status/994046632428752896)：“既然原本就是合成语音，为什么要刻意做得和真的一样？任何欺骗的成功实现，都会导致信任的破坏。当信任一旦开始流失，就会全面崩塌。”

类似的争论，我们能在许多国外科技媒体和 Twitter 上看到。大致的态度基本就是：“人类不想被机器人愚弄。”

虽然 Google 已经表示，在正式投入测试后会让 Duplex“表明自己 AI 的身份”，可具体的实现方式我们还不得而知。如果 Google 真打算将这种技术深入到日常生活领域，也无法回避刚才所说的伦理和道德疑虑。

![](https://s3.ifanr.com/wp-content/uploads/2018/05/maxresdefault-1-2.jpg)

考虑到现在智能音箱势头的火热，语音助手自然也成为各大巨头们角力的重点。可以预见的是，当语音合成技术愈发成熟后，让 AI 助手发出和我们相似的声音已经不是太难想象的事。

可如果你说的期望是和它谈天说地，又要猜到你内心的想法，就现在来看，Google 要面对的大概还不仅仅是技术问题。

题图来源：[Newsunleashed](http://www.newsunleashed.co.uk/google-i-o-2018-how-googles-duplex-demo-stole-the-show/)