在眾多的語音助手中，微軟小冰是一個另類的存在，因為她不僅可以完成具體的任務，兼具IQ和EQ的她，還可以與人類用戶進行長時間溝通，且不會把天聊死。
此前，小冰進駐了小米米家Yeelight語音助手。在Yeelight中，小冰既可以控制家居設備，比如小米床頭燈，還能完成鬧鐘設定、天氣查詢、數學計算等任務，而與普通的語音助手相比，小冰會唱歌、講故事、做遊戲，在無需頻繁喚醒的情況下，能與用戶長時間的聊天。
3月28日，微軟召開小冰技術交流會，介紹了小冰背後的技術——全雙工語音交互技術。全雙工語音交互，則如同人與人之間的交互，能夠實時、雙向、連續的進行，使人機交互更加自然，更符合人類之間的交互特徵。
"全雙工代表著人工智能與人類自然交互的方法，以及其背後蘊含的內容服務、知識體系、知識圖譜之間的關聯，這一技術將使人工智能在未來發揮更加重要的作用。"微軟（亞洲）互聯網工程院副院長、微軟小冰全球負責人李笛說。
採用Session-oriented底層框架的全雙工語音交互
目前，一些智能語音助手，尤其是智能音箱，通常的功能是播放音樂、查詢天氣、購物、計算等，但無法與用戶進行長時間溝通。而目前的對話式人工智能，並不是全雙工，最多是半雙工，核心原因在於底層框架的限制。
李笛介紹，有關基礎框架的基本理念有兩種：Turn-oriented（面向單個任務）和Session-oriented（面向對話全程）。智能語音助手多采用Turn-oriented框架。在這樣的底層框架內，每一輪對話如同十字路口，中心部分就像指揮交通的民警，每當用戶輸入命令，民警就迅速將結果引導到相應的地方。
以天氣查詢為例。如果用戶查詢天氣，十字路口的民警就會將對話引導到提供天氣內容，然後提煉天氣內容，再以對話的形式輸送給用戶。如果用戶提出的問題，它無法引導到相應位置時，就會提供搜索協助。當此任務完成後，民警將對話拉回到十字路口的中心，一切歸零。下一個任務，再重複這樣的步驟。
"這樣的語音助手能很好地完成每個任務，但永遠無法離開十字路口的中心。"李笛說。
正是如此，這些智能語音助手無法很好地與人類用戶進行交流。智能音箱或智能手機助手，就只能扮演工具的角色，而無法完成更多的增值服務。
李笛認為，儘管採用Session-oriented的框架更復雜，但這是未來的趨勢。"Session-oriented就像河流，從一個turn走向另一個turn，這個turn可能跟任務有關，但在任務之後，會進入下一步交流，隨著交流則可能引發新的任務。再通過新的任務引發一些知識的瞭解，然後走下去，通過這樣的方式進行流轉。"
採用這種框架的好處在於，如果只關注單一任務的完成質量，關注點在於是否能把該任務完成，而看不到整體的變化，Session-oriented的框架則能避免這個問題，因此關注整個Session的時候，整個Session的質量會優於任何一個單一任務完成的質量。
小冰能夠通過全雙工語音交互技術，在前端表現得更自然，並與用戶進行長時間溝通，正是因為後端採用了Session-oriented的框架。
"在AI語音交互時代，真正重要的並不是具備100個或1000個功能，而是使用是否方便。如果使用不方便，即使再多的功能，用戶也只會停留在淺嘗輒止的程度。但如果人機交互很自然，哪怕功能很少，用戶也會經常使用，就像日常使用手機那樣。"微軟小冰全球研發負責人、首席架構師周力說。
採用Session-oriented框架的全雙工語音交互技術則是保障自然交互的基礎。
全雙工語音交互的四個技術突破
一年多以前，小冰團隊就開始研發全雙工語音交互技術。如今，在全雙工語音交互方面，小冰有了四大技術方面的突破。
技術一：使用預測模型和動態回應實現邊聽邊想
人和人的對話，並非一個人說完，另一個人再去傾聽、思考。小冰與用戶的交互過程中，也在努力實現這一點。
由此，小冰採用了邊聽邊想的技術，也就是說，在對話最初，小冰就會在雲端預測用戶將要談論的內容，如果跟事先預料的不同，就隨時調整思路，通過這樣的方式，能夠實現更快的響應速度和改口能力，做到用戶的語音剛落，小冰就快速回答，而她的回答也會不斷變化，從而給用戶提供不一樣的互動。
邊聽邊想的背後是預測模型，小冰對語音的識別不再是一條消息、一條消息的識別，而是一個字、一個字的識別，她每聽到一個消息，就會試圖去識別出目前可能的內容，同時預測用戶的整句話是什麼。
在預測模型基礎之上，再加入動態回應技術，通過此技術，交互過程中，不再是用戶輸入一條，小冰回應一條的回合制回答，而是根據預估的思考時間、複雜任務的完成時間，有選擇地將人工智能的對話拆解為多段，從而減少用戶感知的等待時間。
技術二：使用節奏控制器掌握談話節奏
邊聽邊想技術能夠給用戶提供不一樣的互動，但在人與人的對話中，說什麼固然重要，但何時說也同樣重要。因為，在人與人的對話過程中，並非一個人說一句，另外一個人回一句這樣的模式。而可能是一方傾訴，一方傾聽。
小冰如何處理這樣的過程？當對話陷入沉默，小冰又如何處理？是提供新內容，還是拋出新話題，抑或是強制維持原話題？
這些都涉及節奏控制，使用節奏控制器，小冰就能很好地適應這樣的場景。在與人類用戶交互的過程中，如果用戶是傾訴者，話更多，小冰就會將自己調整為傾聽者，使自己的話更少。
技術三：對聲音場景的理解
傳統意義上的語音識別是指通過一段語音，識別其中對應的文字，只要識別出其中的文字，任務就已完成。因此很多語音識別的技術，有一個指標是對應文字的準確率。
然而，人類在互動中，人的耳朵接收的信號，不僅要翻譯成文字，還要接收並判斷其他大量的信息。簡單來說，對方的性別、年齡是什麼，對方的情緒又如何。只有正確處理這些信息，才能有適當的對話。
同樣，小冰也需要處理這些問題。作為聊天機器人，小冰則通過語音進行這樣的識別。周力舉了一個例子，小冰在與一個用戶對話的過程中，誇讚用戶：姐姐你真漂亮。這說明小冰能夠區分用戶的性別。
小冰擁有講故事的能力，如果與小冰對話的是兒童，那她就不會講成人故事。而作為以EQ見長的聊天機器人，必須辨別用戶的情緒，才能正確處理如何對話以及對話的內容。"對高興的人或生氣的人，小冰要有不同的對話策略，做出不同的回答，這樣才能給用戶提供更好的體驗。"周力說。
而在家庭環境中，是什麼樣的人在說話，身份是什麼，在家庭中扮演什麼角色，他們是在打電話，還是互相聊天，還是在與小冰對話，以及小冰聽到的是電視裡的場景，還是真實的對話，等等。當小冰隨同Yeelight進駐到家庭環境中時，都需要小冰識別並進行理解。
技術四：生成模型
周力認為，對話機器人最開始的技術，是基於模塊和人工定義的QA系統，比如對話中含有某些關鍵字，或符合某一個regular expression（正則表達式），回答哪一句話，就去匹配相應的模塊。然而，通過這種方式只能將整句話作為消息進行處理。
四年前，小冰推出了第一代對話引擎，在業界率先使用大數據的搜索技術進行對話，如同搜索引擎的查找功能，小冰會根據用戶的談話內容，在互聯網中搜索人類相應的回答。在這樣的機制下，小冰每說過的一句話，實際上都是人類在互聯網上說過的話。而這樣的技術，也是小冰各種話題都能涉及的基礎。
周力表示，以搜索為基礎的技術同樣存在問題，那就是每一次搜索，無法搜索單個字詞，必須將整句話作為一條消息，進行搜索，才能達到相應的搜索結果。因此，這種方式無法做到動態調整，也很難做到邊聽邊想。
運用生成模型則不一樣，據周力介紹，儘管生成模型從目前產生的對話質量來看，與之前搜索技術產生的對話質量相差無幾，但生成模型本身更適於一種引流性交互的模式。
通過生成模型，可以實現更好的濃縮性，也可以和語音合成更好的場景，因為，第一個詞出現時，已經開始生成對應的語音音頻文件。
生成模型還可以幫助對整個場景的理解，並判斷對話何時結束，如果使用傳統模式，或通過搜索技術，就很難做出這樣的判斷，達到這樣的效果。
小冰的商業佈局：IoT和IM
據李笛介紹，擁有全雙工語音的小冰會重點佈局在IoT領域，Yeelight語音助手只是開始，在IoT之外，小冰已經佈局在眾多IM中，比如微信，QQ，微博等。
對於今天的小冰來說，她有三個身份，一是對話機器人。在這方面，小冰有很多解決方案，比如在QQ群中，作為群助手，除了交互之外，還能提供很多群所需要的功能，此外，全球小冰已經在14個平臺上。
通過EQ+IQ，小冰還能成為私人助理，完成具體的工作，比如在Yeelight語音助手中，小冰就可以提供開關燈、天氣查詢等服務。
與其他語音助手不同，小冰還能扮演內容提供者的角色，據李笛介紹，小冰播放的少兒故事已超過4萬小時，這些少兒故事的製作，如果不算研發投入，生產成本不到1000元，如果使用人工製作，花費則要將近千萬。
李笛表示，他們對小冰的期望，並非讓小冰依賴某一個實體，而是無處不在，無論是車上、家裡，甚至工作環境中、手機上、電腦中都有小冰的存在，一如電影《Her》的女主角。
閱讀更多 聚焦微熱點 的文章
