郭一璞 發自 微軟
量子位 報道 | 公眾號 QbitAI
“愛情和葡萄酒一樣，對程序員來說都是奢侈品。”
這是學習“比喻”這種修辭手法時，微軟小冰的一句話。
現在，已經有4.5億臺第三方智能設備搭載了小冰，小冰多輪對話的輪數（CPS）最高已經達到了23輪。
過去5年來，小冰團隊有48篇論文發在了AAAI I JCAI ACL KDD EMNLP等頂會上，已經申請了72個專利，其中，今年發了3篇ACL、4篇EMNLP、1篇Interspeech和1篇ACM MM long paper。
在前不久的一次workshop上，微軟小冰首席科學家宋睿華、微軟小冰首席NLP科學家武威、微軟小冰首席語音科學家欒劍分享了近年來小冰的技術成就。
朝向自我完備的對話機器人
此前，小冰已經掌握了“尬聊”技能，能控制多輪對話的節奏和走向，微軟小冰首席NLP科學家武威介紹了這一過程背後的技術，他稱之為朝向自我完備的對話機器人。
自我完備，也就是Self-Complete，自我完備的機器人需要具備三個能力：
1、學習能力，不僅從人類的對話中學習，也可以讓不同的機器人藉助Co-teaching模型互相學習；
2、能夠自主的管理，初級階段是知道單輪對話應該進行怎樣的表達，高級階段就是能把控整個對話的流程；
3、連結能力，連結散落在世界上的多模態知識。
在三種能力之上，結合檢索模型（Retrieval Model）、生成模型（Generation Model）和共感模型（Empathy Model），這樣小冰就可以自主把握對話過程。
小冰唱歌技能揭秘
微軟小冰唱滄海一聲笑來自量子位00:0001:16
微軟小冰首席語音科學家欒劍揭秘了小冰的唱歌技能。
首先，唱歌有三大要素：發音、節拍和音調。
那麼，AI要怎樣學會一首歌呢？
有兩種方法，一是學習人唱的歌，聽人類歌手的原唱，這也是人類更喜歡的學唱歌方式，但機器通過這種方式來學唱歌需要需要判斷曲調，更容易有誤差。
二是看著曲譜學這首歌，直接從曲譜生成唱出來的音頻文件，這對人類來說比較複雜，但對機器來說更容易。
之後，合成一段歌聲也有兩種方法。
一種是單元拼接法，把單個的聲音找出來拼在一起。
如果不考慮音調，聲母和韻母湊成的單音節有400個左右，提前錄製好這400個音節的不同版本，長的短的、高音低音，湊成單元庫，再根據具體歌曲中的發音需求從單元庫中選取單元拼接起來。
不過，這種方法可能不太流暢，會有一個字一個字蹦的感覺，出來的曲調過渡上會讓人感覺生硬。
另一種是參數合成法，用隱馬爾科夫模型來做。
這種方法是從大量錄音數據中提取包括能量譜、時長、音高在內的聲學參數，通過聲學參數、聲碼器把音頻的波形重構出來。
這種方法得出的結果有豐富的變化，可以創造出從來不存在的聲音，但是在聲碼器重構的過程中可能會引起音質損失。
小冰的唱歌技能就是基於參數合成法，從樂譜中採集發音、節拍、音調三大要素，分別對聲譜參數、節奏序列、音高軌跡用三個模型分別建模，用神經網絡預測參數，之後把這些參數通過聲碼器生成波形。
之後的迭代中，也藉助了模塊化的方式，並將三個模型合為一個，這樣合成歌聲的自然度和流暢度就得以提升了。
小冰如何學會比喻
微軟小冰首席科學家宋睿華介紹了小冰學會比喻句的過程。
讓小冰學比喻的靈感，來自一個段子：
不管什麼樣句子，後面加一個“愛情也是這樣的”都是說得通的。
比如，“人有兩條腿，愛情也是這樣的”，可以理解為“愛情總會走的”，也可以理解為“愛情總會來的”。
在這個邏輯下，找到本體、喻體和中間的解釋，就可以有很多種可能：
比如“愛情和葡萄酒一樣，對程序員來說都是奢侈品。”
不過，它也可能生成神奇的比喻：
“戀人像是可靠的報表”
— 完 —
量子位 QbitAI · 頭條號簽約
關注我們，第一時間獲知前沿科技動態
閱讀更多 量子位 的文章
