会打电话的AI背后:谷歌Duplex技术解析
极客时间编辑部
讲述:杜力大小:1.07M时长:02:20
在日前召开的谷歌 I/O 开发者大会中,谷歌发布了一系列新产品和新功能,其中,其中尤为亮眼的无疑是个人助理 Google Assistant 中新增加的 Duplex 技术。
这是一种用于通过电话进行自然对话,以执行“真实世界”任务的新技术。该技术旨在完成特定任务,例如安排某些类型的约会等,并使系统尽可能自然流畅地实现与人对话,力争让用户感觉到他们像在与另一个人通话,而不是机器。
这种自然的对话非常难以处理,因为用户可能会使用更加不正式或较长的句子,并且语速和语调也会相应地增加。此外,在交互式对话中,同样的自然语句可能会根据语境有不同的意思,因为人类之间的自然对话总是根据语境尽可能省略一些语言。
为了解决这些问题,Duplex 基于循环神经网络,即 RNN,和 TensorFlow Extended,即 TFX,在匿名电话会话数据集上进行训练。这种循环网络使用谷歌自动语音识别 ASR 技术的输出作为输入,包括语音的特征、会话历史和其它会话参数。谷歌会为每一个任务独立地训练一个理解模型,但所有任务都能利用共享的语料库。此外,谷歌还会使用 TFX 中的超参数优化方法优化模型的性能。
具体来说,输入语音将输入到 ASR 系统并获得输出,在结合 ASR 的输出与语境信息后可作为循环神经网络的输入。这一深度 RNN 最终将基于输入信息输出对应的响应文本,最后响应文本可传入文本转语音,即 TTS 系统完成对话。RNN 的输出与 TTS 系统对于生成流畅自然的语音非常重要,这也是 Duplex 系统关注的核心问题。
在 Duplex 系统的语音生成部分,谷歌结合了拼接式的 TTS 系统和合成式的 TTS 系统来控制语音语调,即结合了 Tacotron 和 WaveNet。由于这样的系统引入了“嗯、额”等停顿语,系统生成的语音会显得更加的自然。
总的来说,谷歌 Duplex 的这些结构与方法对生成更自然的对话与语音有非常大的帮助。目前虽然主要是针对特定领域中的语言交互,但确实提升了语音会话中的用户体验。
公开
同步至部落
取消
完成
0/2000
荧光笔
直线
曲线
笔记
复制
AI
- 深入了解
- 翻译
- 解释
- 总结
该免费文章来自《极客视点》,如需阅读全部文章,
请先领取课程
请先领取课程
免费领取
© 版权归极客邦科技所有,未经许可不得传播售卖。 页面已增加防盗追踪,如有侵权极客邦将依法追究其法律责任。
登录 后留言
精选留言
由作者筛选后的优质留言将会公开显示,欢迎踊跃留言。
收起评论