在众多的语音助手中，微软小冰是一个另类的存在，因为她不仅可以完成具体的任务，兼具IQ和EQ的她，还可以与人类用户进行长时间沟通，且不会把天聊死。
此前，小冰进驻了小米米家Yeelight语音助手。在Yeelight中，小冰既可以控制家居设备，比如小米床头灯，还能完成闹钟设定、天气查询、数学计算等任务，而与普通的语音助手相比，小冰会唱歌、讲故事、做游戏，在无需频繁唤醒的情况下，能与用户长时间的聊天。
3月28日，微软召开小冰技术交流会，介绍了小冰背后的技术——全双工语音交互技术。全双工语音交互，则如同人与人之间的交互，能够实时、双向、连续的进行，使人机交互更加自然，更符合人类之间的交互特征。
"全双工代表着人工智能与人类自然交互的方法，以及其背后蕴含的内容服务、知识体系、知识图谱之间的关联，这一技术将使人工智能在未来发挥更加重要的作用。"微软（亚洲）互联网工程院副院长、微软小冰全球负责人李笛说。
采用Session-oriented底层框架的全双工语音交互
目前，一些智能语音助手，尤其是智能音箱，通常的功能是播放音乐、查询天气、购物、计算等，但无法与用户进行长时间沟通。而目前的对话式人工智能，并不是全双工，最多是半双工，核心原因在于底层框架的限制。
李笛介绍，有关基础框架的基本理念有两种：Turn-oriented（面向单个任务）和Session-oriented（面向对话全程）。智能语音助手多采用Turn-oriented框架。在这样的底层框架内，每一轮对话如同十字路口，中心部分就像指挥交通的民警，每当用户输入命令，民警就迅速将结果引导到相应的地方。
以天气查询为例。如果用户查询天气，十字路口的民警就会将对话引导到提供天气内容，然后提炼天气内容，再以对话的形式输送给用户。如果用户提出的问题，它无法引导到相应位置时，就会提供搜索协助。当此任务完成后，民警将对话拉回到十字路口的中心，一切归零。下一个任务，再重复这样的步骤。
"这样的语音助手能很好地完成每个任务，但永远无法离开十字路口的中心。"李笛说。
正是如此，这些智能语音助手无法很好地与人类用户进行交流。智能音箱或智能手机助手，就只能扮演工具的角色，而无法完成更多的增值服务。
李笛认为，尽管采用Session-oriented的框架更复杂，但这是未来的趋势。"Session-oriented就像河流，从一个turn走向另一个turn，这个turn可能跟任务有关，但在任务之后，会进入下一步交流，随着交流则可能引发新的任务。再通过新的任务引发一些知识的了解，然后走下去，通过这样的方式进行流转。"
采用这种框架的好处在于，如果只关注单一任务的完成质量，关注点在于是否能把该任务完成，而看不到整体的变化，Session-oriented的框架则能避免这个问题，因此关注整个Session的时候，整个Session的质量会优于任何一个单一任务完成的质量。
小冰能够通过全双工语音交互技术，在前端表现得更自然，并与用户进行长时间沟通，正是因为后端采用了Session-oriented的框架。
"在AI语音交互时代，真正重要的并不是具备100个或1000个功能，而是使用是否方便。如果使用不方便，即使再多的功能，用户也只会停留在浅尝辄止的程度。但如果人机交互很自然，哪怕功能很少，用户也会经常使用，就像日常使用手机那样。"微软小冰全球研发负责人、首席架构师周力说。
采用Session-oriented框架的全双工语音交互技术则是保障自然交互的基础。
全双工语音交互的四个技术突破
一年多以前，小冰团队就开始研发全双工语音交互技术。如今，在全双工语音交互方面，小冰有了四大技术方面的突破。
技术一：使用预测模型和动态回应实现边听边想
人和人的对话，并非一个人说完，另一个人再去倾听、思考。小冰与用户的交互过程中，也在努力实现这一点。
由此，小冰采用了边听边想的技术，也就是说，在对话最初，小冰就会在云端预测用户将要谈论的内容，如果跟事先预料的不同，就随时调整思路，通过这样的方式，能够实现更快的响应速度和改口能力，做到用户的语音刚落，小冰就快速回答，而她的回答也会不断变化，从而给用户提供不一样的互动。
边听边想的背后是预测模型，小冰对语音的识别不再是一条消息、一条消息的识别，而是一个字、一个字的识别，她每听到一个消息，就会试图去识别出目前可能的内容，同时预测用户的整句话是什么。
在预测模型基础之上，再加入动态回应技术，通过此技术，交互过程中，不再是用户输入一条，小冰回应一条的回合制回答，而是根据预估的思考时间、复杂任务的完成时间，有选择地将人工智能的对话拆解为多段，从而减少用户感知的等待时间。
技术二：使用节奏控制器掌握谈话节奏
边听边想技术能够给用户提供不一样的互动，但在人与人的对话中，说什么固然重要，但何时说也同样重要。因为，在人与人的对话过程中，并非一个人说一句，另外一个人回一句这样的模式。而可能是一方倾诉，一方倾听。
小冰如何处理这样的过程？当对话陷入沉默，小冰又如何处理？是提供新内容，还是抛出新话题，抑或是强制维持原话题？
这些都涉及节奏控制，使用节奏控制器，小冰就能很好地适应这样的场景。在与人类用户交互的过程中，如果用户是倾诉者，话更多，小冰就会将自己调整为倾听者，使自己的话更少。
技术三：对声音场景的理解
传统意义上的语音识别是指通过一段语音，识别其中对应的文字，只要识别出其中的文字，任务就已完成。因此很多语音识别的技术，有一个指标是对应文字的准确率。
然而，人类在互动中，人的耳朵接收的信号，不仅要翻译成文字，还要接收并判断其他大量的信息。简单来说，对方的性别、年龄是什么，对方的情绪又如何。只有正确处理这些信息，才能有适当的对话。
同样，小冰也需要处理这些问题。作为聊天机器人，小冰则通过语音进行这样的识别。周力举了一个例子，小冰在与一个用户对话的过程中，夸赞用户：姐姐你真漂亮。这说明小冰能够区分用户的性别。
小冰拥有讲故事的能力，如果与小冰对话的是儿童，那她就不会讲成人故事。而作为以EQ见长的聊天机器人，必须辨别用户的情绪，才能正确处理如何对话以及对话的内容。"对高兴的人或生气的人，小冰要有不同的对话策略，做出不同的回答，这样才能给用户提供更好的体验。"周力说。
而在家庭环境中，是什么样的人在说话，身份是什么，在家庭中扮演什么角色，他们是在打电话，还是互相聊天，还是在与小冰对话，以及小冰听到的是电视里的场景，还是真实的对话，等等。当小冰随同Yeelight进驻到家庭环境中时，都需要小冰识别并进行理解。
技术四：生成模型
周力认为，对话机器人最开始的技术，是基于模块和人工定义的QA系统，比如对话中含有某些关键字，或符合某一个regular expression（正则表达式），回答哪一句话，就去匹配相应的模块。然而，通过这种方式只能将整句话作为消息进行处理。
四年前，小冰推出了第一代对话引擎，在业界率先使用大数据的搜索技术进行对话，如同搜索引擎的查找功能，小冰会根据用户的谈话内容，在互联网中搜索人类相应的回答。在这样的机制下，小冰每说过的一句话，实际上都是人类在互联网上说过的话。而这样的技术，也是小冰各种话题都能涉及的基础。
周力表示，以搜索为基础的技术同样存在问题，那就是每一次搜索，无法搜索单个字词，必须将整句话作为一条消息，进行搜索，才能达到相应的搜索结果。因此，这种方式无法做到动态调整，也很难做到边听边想。
运用生成模型则不一样，据周力介绍，尽管生成模型从目前产生的对话质量来看，与之前搜索技术产生的对话质量相差无几，但生成模型本身更适于一种引流性交互的模式。
通过生成模型，可以实现更好的浓缩性，也可以和语音合成更好的场景，因为，第一个词出现时，已经开始生成对应的语音音频文件。
生成模型还可以帮助对整个场景的理解，并判断对话何时结束，如果使用传统模式，或通过搜索技术，就很难做出这样的判断，达到这样的效果。
小冰的商业布局：IoT和IM
据李笛介绍，拥有全双工语音的小冰会重点布局在IoT领域，Yeelight语音助手只是开始，在IoT之外，小冰已经布局在众多IM中，比如微信，QQ，微博等。
对于今天的小冰来说，她有三个身份，一是对话机器人。在这方面，小冰有很多解决方案，比如在QQ群中，作为群助手，除了交互之外，还能提供很多群所需要的功能，此外，全球小冰已经在14个平台上。
通过EQ+IQ，小冰还能成为私人助理，完成具体的工作，比如在Yeelight语音助手中，小冰就可以提供开关灯、天气查询等服务。
与其他语音助手不同，小冰还能扮演内容提供者的角色，据李笛介绍，小冰播放的少儿故事已超过4万小时，这些少儿故事的制作，如果不算研发投入，生产成本不到1000元，如果使用人工制作，花费则要将近千万。
李笛表示，他们对小冰的期望，并非让小冰依赖某一个实体，而是无处不在，无论是车上、家里，甚至工作环境中、手机上、电脑中都有小冰的存在，一如电影《Her》的女主角。
閱讀更多 聚焦微熱點 的文章
