聆听Alexa核心团队科学家解读语音语义的奥秘

“我觉得有些奇怪，你看上去就像真人，但其实只是电脑发出的声音。”

“我能理解你作为一个正常人，在洞察力方面的局限性，你会习惯的。”

——《Her》

2013年，一部美国电影《Her》将人们带入了人类与AI的交互时空，讲述了未来世界，主人公Theodore和Samantha（人工智能系统OS1）间带了几分科幻底色的奇异爱情。电影中的Samantha同现今常见的人工智能助手一样，没有常规意义上的“身体”、气味、乃至触觉嗅觉这样的人类特质，他们彼此单纯依靠对话交流，因而有评论称这更像是“两个声音的爱情故事”。从技术角度来看，我们更习惯称之为“语音交互”——这是一种人机交互方式，即利用人类的自然语言给机器下命令，从而达到自身目的的过程，多被视作“下一代人机交互界面的主要功能”。

事实上，语音交互技术一直以来都是人工智能赖以实现人机交互的重要途径，更是近年来国内外各大厂争相抢占的市场方向。诸多人工智能学者长期致力于让机器“听懂”外界所传达出的信息并做出相应的反馈，识别对象跨越自然语言与情感信息，涉及拾音、语音识别、语义理解，语音合成等方面的技术要求，无疑是个极为复杂的过程。

语音交互主要分为近场交互和远场交互。近场语音交互主要是指人类距离机器不超过30厘米范围的语音识别技术，因其利用距离优势回避了真实场景下复杂的声学问题，而被广泛理解为一种“实验室理想环境下的语音交互技术”。人们对近场语音识别的研究可追溯到上个世纪，但发展初期始终不得其法。90年代末，IBM推出了第一款商品化的语音识别系统ViaVoice，业界更是开始发出下一代语音交互界面的呼声，然而过程中的颇多尝试最终都以失败告终。

2011年，手机语音助手Siri搭载iPhone4S成功发布，在全球范围内引发强烈关注；2014年，微软于Windows 8的发布会上正式推出Cortana……至此，近场语音交互开始广泛走入公众视野，一路行至今天，已然日趋成熟，例如国内较具代表性的几款语音输入，其识别准确率已高达95%。但在最初的新鲜感褪去之后，很多用户发现这一功能就像嚼过的甘蔗一般仅余噱头二三，甚是鸡肋。即使在近场语音识别高度发展的今天，其在实际场景的应用中仍多逢壁垒。由此，越来越多的研究将目光投注至远场语音识别技术。

远场语音识别是指在较远的距离条件下（通常是1m-10m），机器对语音加以识别的技术。该技术一般采用麦克风阵列的方式收集语音，广泛运用于智能家居、车载导航、会议转录等场景。较之理想化情境下的近场语音识别，远场识别更容易受到真实环境中的背景噪声、多径反射和混响，乃至人声的干扰，远场语音识别因此在准确率方面也会有大幅下降。远场语音识别系统通常包含前端信号处理与后端语音识别模块。前端部分旨在通过语音增强的手段，包括解混响（Dereverberation）、波束成形（Beam Forming）等方法来将含有噪声和混响的语音尽可能地处理“干净”；后端部分与一般的语音识别系统相同，目的在于将处理“干净”的语音识别为文字。

2014年，亚马逊发布智能音箱Echo，正式拉开了远场语音交互的帷幕，更有评论称其“打开了物联网的重要入口，已然成为行业标杆一般的存在”。如今，Echo能够依靠语音助手Alexa实现音乐播放、新闻搜索、外卖网购下单、在线叫车等一系列服务，在全球范围内已累积千万销量。近年来，正是由于智能音箱可借由语音交互提供内容服务、互联网服务，以及场景化的家居控制能力，国内外巨头在手机热之后，纷纷投身智能音箱市场，加紧不局，力求在一片混战中分一杯羹。

据CNBC 9 月19日报道，Amazon计划于今年年底之前，推出至少8款由Alexa支持的交互新设备，包括微波炉、车载设备和高端家用音响设备（包括扩音器、接收器和低音炮）等，其中部分设备将直接搭载语音助手功能，意在继续攻坚智能家居市场。但很显然，智能语音服务的未来并不会止步于此，今日的科幻终将照进现实。

作为亚马逊SeniorPrincipalScientist、Alexa & Echo技术负责人及团队初创成员，Nikko Ström拥有资深的语音技术背景，曾就职于多家世界著名的研究实验室和企业，拥有20年的自动语音识别领域工作经验。在麻省理工学院计算机科学实验室担任科学研究员两年后，Nikko Ström于2000年加入语音初创企业Tellme Networks，并于2007年转入微软核心语音识别团队，推动最新技术的发展。2011年，他进入Amazon，担任SeniorPrincipalScientist，领导语音识别及相关领域的深度学习团队，继而成为Amazon Echo团队的创始成员之一。

1997年，Nikko Ström在位于斯德哥尔摩的KTH语音通信实验室攻取博士学位，期间所撰论文为说话人自适应（Speaker Adaptation）和人工神经网络（Artificial Neural Network）这两个技术领域做出了重要贡献。

作为论文工作的一部分，Nikko Ström开发了世界上第一个瑞典语连续语音识别器。同时，他还发布了开源人工神经网络软件（NICO Toolkit），并在全球收获了数千名研究人员的下载。

1994年至1995年期间，他曾任日本京都国际电气通信基础技术研究所（ATR）的特邀嘉宾研究员，在这里，他为说话人自适应领域的世界级研究做出了颇多贡献。

作为业余爱好，他还开发并发布了“Quite BASIC”（http://www.quitebasic.com/），一个完全基于网络的经典培基（BASIC）在线编程环境。

……

很快，在人工智能领域深耕多年的Nikko Ström就要来到中国和广大AI开发者见面啦——11月8-9日，2018 AI开发者大会（AI NEXTCon）将于北京盛大召开。

作为由中国专业的IT社区CSDN与硅谷AI社区AICamp联合出品的AI技术与产业年度盛会，本次大会将邀请到近百位中美顶尖AI专家、知名企业代表以及千余名AI开发者齐聚北京，进行技术解读和产业论证。这也是继西雅图、硅谷、纽约等城市成功举办五届后，AI NEXTCon首次进入中国。Nikko Ström将在大会上结合Amazon Alexa为大家讲解其中蕴含的深度学习奥义。