最近，蘋果發(fā)布了一系列論文來闡釋語音助手的重要工作機(jī)理，公開揭秘Siri，向業(yè)界貢獻(xiàn)了自己在設(shè)計(jì)上的不同想法。
在第一篇論文中，蘋果就語音助手中的多任務(wù)處理問題進(jìn)行了闡釋，它指出在Siri中，喚醒處理通常需要兩個(gè)步驟：AI首先必須確定輸入音頻中的語音內(nèi)容是否與觸發(fā)短語的語音內(nèi)容匹配（語音觸發(fā)檢測(cè)），然后必須確定說話者的語音是否與一個(gè)或多個(gè)注冊(cè)用戶的語音相匹配（說話者驗(yàn)證）。一般方法是將兩項(xiàng)任務(wù)分別來處理，蘋果則認(rèn)為可以用一個(gè)神經(jīng)網(wǎng)絡(luò)模型同時(shí)解決兩項(xiàng)任務(wù)，同時(shí)它表示，經(jīng)過驗(yàn)證，該方法各方面性能可以達(dá)到預(yù)期。
在該論文中，研究人員給出了模型示例。他們?cè)诎?6000小時(shí)帶注釋樣本的數(shù)據(jù)集中訓(xùn)練了基于兩種思路下設(shè)計(jì)的模型，其中5000小時(shí)的音頻帶有語音標(biāo)簽，其余均只有揚(yáng)聲器標(biāo)簽。相比于一般訓(xùn)練模型去獲取多個(gè)標(biāo)簽的思路，蘋果通過將不同任務(wù)的訓(xùn)練數(shù)據(jù)進(jìn)行級(jí)聯(lián)來訓(xùn)練多個(gè)相關(guān)任務(wù)的模型。結(jié)果發(fā)現(xiàn)，在性能表現(xiàn)相同的情況下，蘋果新提出的模型反而更適合應(yīng)用，它能夠在兩個(gè)任務(wù)之間共享計(jì)算，大大節(jié)省了設(shè)備上的內(nèi)存空間，同時(shí)計(jì)算時(shí)間或等待時(shí)間以及所消耗的電量/電池?cái)?shù)量都將降低。
在另一篇論文中，蘋果還介紹了多語言演講場(chǎng)景的演講者識(shí)別系統(tǒng)設(shè)計(jì)——知識(shí)圖譜輔助聽寫系統(tǒng)決策。以聲學(xué)子模型為例，它可以基于語音信號(hào)傳輸痕跡來進(jìn)行預(yù)測(cè)，并且其上下文感知的預(yù)測(cè)組件考慮了各種交互上下文信號(hào)，其中上下文信號(hào)包含有關(guān)發(fā)出命令的條件信息、已安裝的命令語言環(huán)境、當(dāng)前選擇的命令語言環(huán)境以及用戶在發(fā)出請(qǐng)求之前是否切換命令語言環(huán)境的信息。
結(jié)果顯示，這一設(shè)計(jì)的優(yōu)勢(shì)在于，它們可以在語音信號(hào)太短而無法通過聲學(xué)模型產(chǎn)生可靠預(yù)測(cè)的情況下提供幫助。
此外，蘋果還提出了一項(xiàng)補(bǔ)充研究，緩解錯(cuò)誤觸發(fā)問題，即忽略不適合語音助手（Siri）的語音?；趫D結(jié)構(gòu)設(shè)計(jì)AI模型的思路，研究人員提出了一種圖神經(jīng)網(wǎng)絡(luò)（GNN），其中每個(gè)節(jié)點(diǎn)都與標(biāo)簽相連。結(jié)果顯示，該模型減少了87％的錯(cuò)誤觸發(fā)。
