怎樣用聲紋識(shí)別,提升智能硬件產(chǎn)品的用戶體驗(yàn)?

4 評(píng)論 6460 瀏覽 58 收藏 12 分鐘

本文將談?wù)勗谥悄芤粝?、智能機(jī)器人等此類以語(yǔ)音為主要交互方式的智能硬件產(chǎn)品中,除了提升語(yǔ)音識(shí)別準(zhǔn)確率、語(yǔ)義理解效果外,怎樣使用聲紋識(shí)別來(lái)進(jìn)一步提升用戶體驗(yàn),讓智能產(chǎn)品更加智能。

一、背景

當(dāng)前智能硬件產(chǎn)品中,最耀眼的莫過(guò)于百箱大戰(zhàn)的智能音箱、百“機(jī)”爭(zhēng)鳴的智能機(jī)器人,這些智能語(yǔ)音產(chǎn)品已逐漸走進(jìn)百姓的視線中。

在智能音箱市場(chǎng)中,且不說(shuō)國(guó)外的Amason Echo和Google Home,僅在國(guó)內(nèi),去年雙十一,天貓精靈99元跳樓價(jià)賣了一百萬(wàn)臺(tái),還有鋪天蓋地而來(lái)的小愛(ài)同學(xué)、叮咚音箱、小雅同學(xué)、出門問(wèn)問(wèn)等。

今年,百度推出比天貓精靈還低10元的小度智能音箱,僅賣89元,燒錢大戰(zhàn)一個(gè)比一個(gè)狠。在智能機(jī)器人市場(chǎng)也同樣打得火熱,這類智能音箱和智能機(jī)器人最明顯的特點(diǎn),就是采用了語(yǔ)音作為全新的交互方式,力圖打造更接近于人與人交流的方式。

然而,大部分智能語(yǔ)音產(chǎn)品只能識(shí)別出說(shuō)話的內(nèi)容,對(duì)于相同的問(wèn)題都會(huì)給出相同的反饋信息。雖然交互方式是智能的,但交流方式仍然不夠智能。

所謂交流,即有明確對(duì)象,和不同對(duì)象交流應(yīng)有不同的回應(yīng),聞聲即可識(shí)人,這才是更智能的體驗(yàn)。聲紋識(shí)別,正是可以實(shí)現(xiàn)這種聞聲識(shí)人的技術(shù)手段。

本文將談?wù)勗谥悄芤粝?、智能機(jī)器人等此類以語(yǔ)音為主要交互方式的智能硬件產(chǎn)品中,除了提升語(yǔ)音識(shí)別準(zhǔn)確率、語(yǔ)義理解效果外,怎樣使用聲紋識(shí)別來(lái)進(jìn)一步提升用戶體驗(yàn),讓智能產(chǎn)品更加智能。

二、應(yīng)用場(chǎng)景

場(chǎng)景是需求的靈魂,拋開場(chǎng)景談需求都是耍流氓!

我們先對(duì)場(chǎng)景分分類,聲紋識(shí)別作為身份驗(yàn)證的一種手段,根據(jù)不同的安全性要求,我們將應(yīng)用場(chǎng)景分非關(guān)鍵應(yīng)用場(chǎng)景和關(guān)鍵應(yīng)用場(chǎng)景。

  • 非關(guān)鍵應(yīng)用場(chǎng)景:即那些對(duì)安全性要求不高,即使誤識(shí)也不會(huì)產(chǎn)生明顯不良影響,但對(duì)用戶體驗(yàn)要求較高的場(chǎng)合,如:猜猜說(shuō)話人是誰(shuí)、個(gè)性化的服務(wù)推薦(歌曲推薦、餐廳推薦等);
  • 關(guān)鍵應(yīng)用場(chǎng)景:這類應(yīng)用場(chǎng)景有明顯的安全性要求,不能容忍有誤識(shí)情況,誤識(shí)會(huì)帶來(lái)明顯的不良影響,如:一些重要的權(quán)限控制(家電開關(guān)控制等)、聲音購(gòu)物支付等,這類型場(chǎng)景會(huì)犧牲一部分用戶體檢以保證安全性,畢竟魚和熊掌不可兼得!

三、應(yīng)用設(shè)計(jì)

聲紋識(shí)別在應(yīng)用上分為注冊(cè)和驗(yàn)證兩個(gè)流程,如下圖所示:

在智能音箱和智能機(jī)器人(家庭陪伴機(jī)器人)的產(chǎn)品中,聲紋識(shí)別其實(shí)就是1:N的應(yīng)用(N的值一般小于10),音箱和機(jī)器人一般都會(huì)有一個(gè)名字,即喚醒詞,就如同人的名字一樣,以下設(shè)計(jì)我們暫且給智能硬件起個(gè)名字叫“你好同學(xué)”。

1. 聲紋注冊(cè)流程設(shè)計(jì)

聲紋注冊(cè)是開啟聞聲識(shí)人的第一步,注冊(cè)者先說(shuō)幾句話,系統(tǒng)自動(dòng)將其中的聲紋特征提取出來(lái)作為說(shuō)話人身份的ID,這個(gè)過(guò)程如同像陌生人做自我介紹一樣,介紹完大家就認(rèn)識(shí)你了。

雖然聲紋注冊(cè)流程必不可少,但產(chǎn)品設(shè)計(jì)上卻希望這個(gè)流程越簡(jiǎn)單越好,最好是不需要注冊(cè)這個(gè)環(huán)節(jié)(當(dāng)然這是不可能的?。。。?。

在做注冊(cè)流程設(shè)計(jì)前,我們先搞清幾個(gè)問(wèn)題:

(1)注冊(cè)入口在哪里?

目前的智能語(yǔ)音產(chǎn)品在交互方式上,除了用語(yǔ)音,還會(huì)分為帶顯示屏和不帶顯示屏,即有部分帶有視覺(jué)交互。

所以,注冊(cè)入口可分為三種:

  1. 直接在設(shè)備上使用語(yǔ)音方式作為注冊(cè)入口,即直接對(duì)設(shè)備說(shuō):你好同學(xué),我要注冊(cè)聲紋;
  2. 在設(shè)備配套的APP上設(shè)置注冊(cè)入口,適合無(wú)屏的設(shè)備;
  3. 在設(shè)備自帶的屏幕上設(shè)置注冊(cè)入口,類似APP方式。

(2)在哪里采集注冊(cè)錄音?

對(duì)于注冊(cè)入口在APP上的情況,我們需要搞清楚錄音采集是在設(shè)備上,還是在手機(jī)上。

一般來(lái)說(shuō),無(wú)論注冊(cè)入口在哪里,最終的驗(yàn)證入口都是在設(shè)備上,為了避免在不同設(shè)備上錄音效果不一樣,造成驗(yàn)證準(zhǔn)確率下降(我們叫這種現(xiàn)象叫信道失配,即注冊(cè)信道與驗(yàn)證信道不一致而帶來(lái)的準(zhǔn)確率下降的現(xiàn)象),我們會(huì)直接在設(shè)備上進(jìn)行注冊(cè)錄音的采集。

當(dāng)然,你非得在APP上錄音,也是可以的,呵呵!

(3)非關(guān)鍵應(yīng)用和關(guān)鍵應(yīng)用是否需要單獨(dú)注冊(cè)?

理論上來(lái)說(shuō),注冊(cè)語(yǔ)音越長(zhǎng),識(shí)別效果越好,但也需要考慮到用戶體驗(yàn)。所以,我們可以將注冊(cè)流程設(shè)計(jì)為基礎(chǔ)注冊(cè)+加強(qiáng)注冊(cè),其中基礎(chǔ)注冊(cè)滿足非關(guān)鍵應(yīng)用場(chǎng)景,加強(qiáng)注冊(cè)主要是考慮到關(guān)鍵應(yīng)用場(chǎng)景的安全性問(wèn)題。

(4)聲紋注冊(cè)上還有哪些需考慮的點(diǎn)?

智能音箱和機(jī)器人一般都是遠(yuǎn)場(chǎng)語(yǔ)音應(yīng)用,交互距離最大可達(dá)5米,同時(shí)也覆蓋了近場(chǎng)語(yǔ)音,所以在說(shuō)話人離設(shè)備的距離不同時(shí),采集的語(yǔ)音質(zhì)量也會(huì)存在差異。對(duì)語(yǔ)音識(shí)別來(lái)說(shuō)可能不會(huì)有太多的影響,但對(duì)于聲紋識(shí)別來(lái)說(shuō),會(huì)造成聲紋特征的損失。所以在注冊(cè)時(shí)還需要考慮不同距離,比如:0.5米、3米、5米等。

另外,還需要考慮說(shuō)話的音量、語(yǔ)速等因素,相信隨著識(shí)別算法的提升,這些因素都將不會(huì)成為產(chǎn)品設(shè)計(jì)的考慮點(diǎn)。

(5)聲紋注冊(cè)有哪些表現(xiàn)形式?

在注冊(cè)的表現(xiàn)形式上,可分為兩種:

  1. 引導(dǎo)式注冊(cè):根據(jù)界面或語(yǔ)音提示,引導(dǎo)用戶一步一步進(jìn)行注冊(cè),這是最為常用的方式,也是目前最合適的方式。
  2. 無(wú)感知注冊(cè):即不需要指定用戶執(zhí)行注冊(cè)流程即可完成聲紋注冊(cè),打破常規(guī)的聲紋注冊(cè)-聲紋驗(yàn)證的應(yīng)用流程,在使用過(guò)程中自動(dòng)完成聲紋注冊(cè),直接實(shí)現(xiàn)“聽聲辨人”,最大限度提升用戶體驗(yàn)。我們下次再來(lái)詳細(xì)講一下這種無(wú)感知注冊(cè)。

2. 聲紋注冊(cè)流程

3. 原型設(shè)計(jì)參考

以帶屏設(shè)備上或APP上注冊(cè)為例,原型僅供參考,在真實(shí)項(xiàng)目中仍需要考慮更多的交互細(xì)節(jié)。對(duì)于注冊(cè)內(nèi)容,一般建議使用“喚醒詞+常用短語(yǔ)”的方式。當(dāng)然,如果追求更簡(jiǎn)潔的注冊(cè)方式,也可以只讀兩次喚醒詞。

4. 聲紋驗(yàn)證流程設(shè)計(jì)

在聲紋驗(yàn)證環(huán)節(jié),一般通過(guò)純語(yǔ)音交互來(lái)完成,我們按非關(guān)鍵應(yīng)用場(chǎng)景和關(guān)鍵應(yīng)用場(chǎng)景來(lái)設(shè)計(jì)。

(1)非關(guān)鍵應(yīng)用場(chǎng)景驗(yàn)證

最常用的自我身份驗(yàn)證:對(duì)設(shè)備說(shuō)出“你好同學(xué),猜猜我是誰(shuí)”或“你好同學(xué),我是誰(shuí)”,設(shè)備根據(jù)聲紋識(shí)別結(jié)果回應(yīng)說(shuō)話人,比如:設(shè)備回應(yīng):哎喲,你就那玉樹臨風(fēng)、風(fēng)流倜儻、迷死萬(wàn)千少女兼大媽的彭魚宴。

非關(guān)鍵應(yīng)用場(chǎng)景有非常多的玩法,主要圍繞不同身份的個(gè)性化推薦來(lái)設(shè)計(jì),具體大家可以根據(jù)實(shí)際產(chǎn)品及場(chǎng)景需求來(lái)思考。

另外,對(duì)于帶屏的設(shè)備,一般都會(huì)具備攝像頭,可以實(shí)現(xiàn)人臉識(shí)別功能。有些廠家可能會(huì)將人臉和聲紋結(jié)合起來(lái)做身份驗(yàn)證,這種多維度驗(yàn)證確實(shí)能提高安全性,但建議只在關(guān)鍵應(yīng)用場(chǎng)景下使用兩者作為驗(yàn)證手段,在非關(guān)鍵應(yīng)用場(chǎng)景中只使用聲紋識(shí)別。畢竟如果每次問(wèn)機(jī)器人我是誰(shuí)時(shí),還要自己找到攝像頭正面看一會(huì)才能識(shí)別出身份,這樣的體驗(yàn)非常不好。

(2)關(guān)鍵應(yīng)用場(chǎng)景驗(yàn)證

此場(chǎng)景中,需要考慮二次身份核驗(yàn),即在喚醒時(shí)已做一次身份識(shí)別,在說(shuō)話人做出關(guān)鍵操作確定后,比如:確定購(gòu)買商品,需要進(jìn)行身份核驗(yàn)。

由于是純語(yǔ)音交互,考慮到安全性,可采用讀4位隨機(jī)數(shù)字或喚醒詞的方式來(lái)驗(yàn)證,此種情況下聲紋識(shí)別必須具備活體檢測(cè)功能,以防止通過(guò)錄音的方式來(lái)假冒說(shuō)話人聲音。

(3)驗(yàn)證流程設(shè)計(jì)(實(shí)際流程遠(yuǎn)比這個(gè)復(fù)雜)

四、未來(lái)應(yīng)用

雖然目前的智能硬件仍在不斷完美語(yǔ)音識(shí)別和語(yǔ)義理解的效果,然而,我們相信增加聲紋識(shí)別必定會(huì)大大提升智能設(shè)備的使用體驗(yàn),同時(shí)亦可增加情緒識(shí)別、性別識(shí)別、年齡識(shí)別,讓機(jī)器更懂你。

正如電影“her”中的薩曼莎,語(yǔ)音交互水平已達(dá)到了強(qiáng)人工智能水平,比與人類交互效果更好。因?yàn)閔er可以在一秒內(nèi)檢索完主人所提問(wèn)題關(guān)聯(lián)到相關(guān)知識(shí)信息,以更好給出回答,這是人類所不能達(dá)到的。要達(dá)到人類期望值中的語(yǔ)音交互效果,就必須讓設(shè)備能夠:聽得清、聽得懂、學(xué)得會(huì)、說(shuō)得出。

期待“her”的出現(xiàn)?。。?/p>

 

作者:Micos,在人工智能浪潮中推波助瀾的產(chǎn)品經(jīng)理,致力于用智能語(yǔ)音實(shí)現(xiàn)人與機(jī)器最自然的交互方式。

本文由 @Micos 原創(chuàng)發(fā)布于人人都是產(chǎn)品經(jīng)理。未經(jīng)許可,禁止轉(zhuǎn)載

題圖來(lái)自Unsplash,基于CC0協(xié)議

更多精彩內(nèi)容,請(qǐng)關(guān)注人人都是產(chǎn)品經(jīng)理微信公眾號(hào)或下載App
評(píng)論
評(píng)論請(qǐng)登錄
  1. 寫得很深入。感謝分享

    回復(fù)
  2. 呃…寫的挺認(rèn)真的,可是進(jìn)來(lái)后感覺(jué)文不對(duì)題。實(shí)際沒(méi)有講怎樣用聲紋識(shí)別提升智能硬件產(chǎn)品的使用體驗(yàn),像是介紹聲紋識(shí)別的流程和交互。

    來(lái)自廣東 回復(fù)
    1. 本來(lái)文末附了一篇文章鏈接,編輯刪掉了,你可以多了解一下相關(guān)的文章。

      來(lái)自廣東 回復(fù)