但可以發現與谷歌Duplex相比，小冰的語音自然度落了下風。在Google I/O大會現場，新一代谷歌語音助手不僅順利完成了電話預約理髮店的全過程，而且在交談中還出現了“嗯哼”這樣的語氣詞，引起了全場的尖叫。據瞭解，谷歌將在今年夏季與合作廠商發行這種搭載了“谷歌語音助手”帶顯示屏的音箱。
微軟和谷歌，不約而同地相繼選擇了全雙工的對話模式，讓人工智能和人類如通電話一般地進行雙向交流。相對地，以亞馬遜Alexa、蘋果Siri為代表的智能語音助手所使用的技術則是“半雙工”，這就像往兩個面對面交流的人手裡塞了兩隻對講機，讓他們通過對講機一問一答，並且，他們之間的對話只能圍繞一個確定的任務或問答進行。半雙工模式下人工智能也可以對答如流，但這並不代表半雙工是一種自然的人機交流方式。人永遠是提問者，而智能語音助手負責尋找答案，這也是很多人認為使用智能音箱很費勁的原因。
不過，同樣選擇了全雙工語音的微軟和谷歌，技術上的實現方式並不相同。
谷歌Duplex的核心是循環神經網絡，值得注意的，Duplex 的訓練數據來自一些具體的場景，例如預定餐廳，讓AI能夠充分地學習這些封閉場景音頻中的特徵、對話歷史、對話參數（比如要預定的服務，當前時間）等等。在系統運行中，輸入語音先經過自動語音識別系統（ASR）處理，生成的文本會與上下文數據以及其它輸入一起輸入 RNN 網絡，生成的應答文本再通過文本轉語音（TTS）系統讀出來。谷歌還花費了數月時間採集真人聲音，訓練出聲音和語調與真人幾乎一致的TTS語音系統。在語言理解、交互、時間控制、語音生成上的技術突破幫助谷歌Duplex獲得了相當真實自然的語音，也能夠出色地幫用戶完成某項具體的任務。
微軟小冰的學習電話交流的過程更為漫長。最初小冰的設定是以EQ為發展方向的對話式人工智能，過去幾年中，小冰在五個國家的IM平臺上和人類進行了大量的對話交流，積累了超過300億輪的超大規模對話數據，這讓生成模型得以應用。微軟此前表示，小冰之所以能做到區別於其他產品的長程語音，其中的關鍵之一便是小冰應用了生成模型，可以根據用戶的問題自創回應，區別於以往通過理解用戶的問題，尋找最合適的話作為回答的方式。此外，微軟還應用聲音場景識別、節奏控制器等技術增加小冰對話的真實感。這些技術讓小冰可以針對開放領域的任意話題展開對話，還能夠主動控制對話節奏，甚至引導對話方向。
谷歌在Google AI 博客中表示，在研究中，把Duplex 的功能限制在封閉的場景中是非常重要的，這些場景涵蓋的內容非常少，可以讓AI充分地學習這些場景中的對話。也就是說，谷歌Duplex良好的對話表現只能限定在某些特定的場景和具體的任務中，一旦對話偏離了場景和任務，Duplex就無法施展拳腳。
與谷歌不同的是，小冰的對話不侷限於某個場景或任務，這或許在某種程度上限制了她的語音自然度，但也讓她可以和人類談論任何一個話題，而其中那些看似無用的閒聊，可能經過幾輪對話之後引發出一個關鍵的任務需求。從技術實現來看，顯然開放領域的聊天似乎更困難一些，AI並沒有像人類那樣舉一反三的能力，若要讓AI學會聊一個話題，就必須對它進行這一話題的訓練。
微軟和谷歌相繼推出全雙工語音技術，似乎預示著人工智能業界的頂級公司正在朝同一個方向前行，要讓人機交互真正轉變為人機交流。但是，全雙工技術誰先誰後發佈，技術上誰長誰短，當下或許還沒有必要爭奪。不管是誰家的AI，距離產品真正的廣泛應用，還任重而道遠。
分享到:
閱讀更多 閃電科技俠 的文章
