編輯導語：隨著科技的快速發(fā)展，如今我們的生活越來越便捷，很多時候通過說話便有機器代替我們?nèi)ネ瓿梢恍┦虑椋@便是語音技能帶給我們的好處。日常生活中，語音技能仿佛無處不在，小到手機、智能音箱，大到機器人，那么，語音已經(jīng)應該如何設計出來呢？

隨著語音交互的普及，我們首先用到的最多的就是語音技能，比如：我們讓智能音箱唱歌、查天氣、講笑話等，這些都是語音技能。今天，我們就來聊聊如何從零到一的設計一個語音技能。

1. 基礎信息介紹

在設計語音技能之前，我們首先要掌握技能用到的一些基礎定義，每家公司可能叫法上面會有區(qū)別，但是都大同小異。

1.1 基礎定義

我們在聊聊語音技能常見的一些名詞和定義，主要有領域（domain）、意圖（intent）和槽位（slot），這些都是語音技能必不可少的一些參數(shù)內(nèi)容。

1.1.1 領域

聽到這個詞，我們就感覺到了約束性，其實領域這個詞就是約束語音技能范圍的意思。一般一個語音技能，會有一個明確的領域，剩下的內(nèi)容都在這個領域里面做處理。

1.1.2 意圖

顧名思義就是判斷用戶具體要做什么的意思，領域可以是一個大范圍的事情，而意圖是領域中的一個小分類。

比如：讓機器人跳舞是一個領域的事情，那么“開始跳舞”和“停止跳舞”就是領域下的意圖的事情。意圖一般會非常明確，會有明確的邊界，在自然語言處理中屬于封閉域的問題。

1.1.3 槽位

根據(jù)槽位的有無，語音技能可以分為有槽位的和沒有槽位的。槽位一般就是指我們前面說到的實體詞，用來做信息抽取用的，補全和完善用戶的意圖。

比如：“唱首歌”就是沒有槽位的語音技能，只需要知道是唱歌的意圖就可以；而查天氣是常用的有槽位的語音技能，除了識別出這是一個查天氣的意圖之外，機器人還要知道要查什么時間、什么地點的天氣，時間和地點在這里就是槽位信息。

有槽位信息的一般還會有默認槽位，就是沒有槽位信息的時候，直接使用默認的槽位信息，從而保證語音技能的正常。常見的就是“天氣預報”，默認的就是當?shù)禺斕斓奶鞖狻?/p>

1.2 底層邏輯

再聊聊一下目前語音技能的底層邏輯，基于什么能力實現(xiàn)的。

目前大部分做語音技能的公司，都是用正則表達式來寫的，就是基于一些文本規(guī)則，作為約束條件，篩選出來明確的意圖。抽取的槽位也是基于規(guī)則，或者窮舉的方式。

這樣做的好處是改動方便，以及改動后的影響好評估，而且冷啟動非常方便，甚至可以做到每天迭代；缺點也同樣明確，泛化能力弱，沒有學習能力。

也有一小部分公司已經(jīng)開始使用算法做語音技能了。

語音技能本質(zhì)是一個意圖識別的事情，而意圖識別實際上又是一個分類問題，有基于傳統(tǒng)機器學習的SVM，基于深度學習的CNN、LSTM、RCNN、C-LSTM等。

槽位識別實際上是一種序列標記的任務，有基于傳統(tǒng)機器學習的DBN、SVM，也有基于深度學習的LSTM、Bi-RNN等。用算法做的優(yōu)點就是泛化能力強，有一定的學習能力；缺點就是成本高，適合復雜技能后期迭代的方向。

2. 語音技能的定義

在開始動手做語音技能的之前，要先對語音技能進行定義，知道技能的邊界，要有明確的反饋邏輯在里面。我們這里用“查天氣”這個爛大街，也是最典型的技能來舉例子。

2.1 定義技能

我們要明白為什么做“查天氣”這個技能，以及要做到多細。

原因可能是我們就覺得這個技能很基礎，用戶都被教育過了，必須要有；也可能是我們看用戶的交互日志，發(fā)現(xiàn)每天都有很多人有這個意圖，現(xiàn)在是未滿足狀態(tài)，值得單拿出來作為一個技能。

還可能是老板覺得競爭對手有了，我們也要做。

假設我們是覺得是技能很基礎，必須要做。接下來我們就要考慮怎么定義這個技能，需要注意以下幾點：

2.1.1 要明確技能的邊界，就是那些query是該技能要識別的，需要有一個明確的定義

這個看起來很容易，其實執(zhí)行起來會很糾結(jié)，因為自然語言本身就有一定的歧異性。

就拿“查天氣”舉例子，比如：“今天該穿什么？”、“明天能不能出去玩”算不算查天氣的意圖，都是要明確的。其實最讓你糾結(jié)的往往是模糊的語義，算作技能也不為錯，不算吧，又覺得用戶可能有這個意思。

所以明確的邊界的時候，有三種處理邏輯：

2.1.1.1 只處理特別明確的意圖，不care模糊的語義

比如：只處理“明天天氣”、“查一下天氣”等這樣的

2.1.1.2 模糊的意圖也一起處理，都歸為該技能

比如：“明天該穿秋褲嗎？”也屬于該意圖，和“明天天氣”一起處理

2.1.1.3 還有一種精細化的處理，把明確的意圖和模糊的意圖分開處理

比如：可以讓明確意圖直接執(zhí)行，模糊意圖選擇反問，用戶確認后執(zhí)行。用戶一旦確認后，以后這句話就歸位了明確意圖。

比如：用戶問“今天穿什么出去好呢？”，計算機回答“您是不是想查詢今天的天氣？”，用戶回答“是的”，計算機回答“今天北京氣溫20度，適合……”；然后下次用戶問“今天穿什么出去好呢”，計算機就可以回答“今天北京氣溫20度，適合……”，反之亦然。

當然如果模糊問的問法比較多，可以專門做意圖優(yōu)化。

2.1.2 明確技能的領域、意圖和槽位的信息

就拿“查天氣”這個技能為例，領域我們一般設置為“weather”，但是意圖定義就會有兩種方案：

一種是簡單的，只有一個意圖，比如意圖也是“weather”；還有一種是精細化的處理，有若干餓意圖，比如“北京空氣質(zhì)量？”算是“get_haze”，“今天會下雨嗎？”算是“get_rain”等，就是每個不一樣的問法，對應不同的意圖。

本質(zhì)上越精細化的技能，給用戶的體驗會越好。

2.1.3 考慮技能內(nèi)多輪的支持，以及支持的效果

由于自然語言先天是具有多輪屬性的，很多時候需要借助上輪的信息，才能理解這句話，在做語音技能的時候，也要考慮到這方面的可能。

比如：用戶先說“明天天氣”，緊接著，用戶又說“后天呢？”，這個時候是否考慮支持，都需要在定義技能的時候明確。像用戶隔多久的多輪需要支持，支持的邏輯，我們這里就不展開了。

定義好了技能，就知道了這個技能能干什么，方便后面的測試同學測試，也知道未來要迭代的方向。一般如果沒有數(shù)據(jù)支撐的話，建議先做最基礎的就可以，邊界越小越好。

2.2 觸發(fā)技能反饋

反饋這塊一方面依賴于產(chǎn)品底層的設計；另一方面依賴于產(chǎn)品形態(tài)，按照有無屏幕，可以簡單的分為兩種產(chǎn)品形態(tài)：有屏幕和沒有屏幕。這兩方面結(jié)合，才能設計出一個人性化的體驗。

產(chǎn)品的底層設計要考慮意圖要不要細化，比如：“今天有霧霾嗎？”和“今天天氣怎么樣？”這兩種問法有沒有必要分開處理，設置不一樣的回復內(nèi)容。

還要考慮如果槽位超出技能的邊界怎么處理，比如：“三年后的天氣預報”，這個時候我們需要怎么反饋，都是需要在語音技能定義的時候?qū)懬宄?/p>

具體怎么展示以及怎么回復，就要依賴于產(chǎn)品形態(tài)考慮。

有屏幕的可能更多的信息會通過屏幕展示，語音只是做到一個提醒的效果，有些場景甚至都不需要語音，而沒有屏幕的就要考慮語音播報的表達方式，要注意文字的長度，都播報那些內(nèi)容，播報的先后順序，甚至播報的句式的豐富度都要考慮。

技能的反饋，是用戶直接能夠感受到的，其重要心怎么強調(diào)都不為過，這塊可以參考語音交互的設計規(guī)則。

3. 數(shù)據(jù)的準備

前面說到的都是產(chǎn)品設計的時候要考慮到的問題，如果你把技能已經(jīng)設計的差不多的時候，就可以準備這個意圖的訓練和測試數(shù)據(jù)，因為我們最終語音技能的開發(fā)是基于數(shù)據(jù)的，數(shù)據(jù)覆蓋的越全面，技能的效果越好。

無論訓練數(shù)據(jù)還是測試數(shù)據(jù)，簡單可以把數(shù)據(jù)分為兩部分，正例和反例。

3.1 正例數(shù)據(jù)

正例數(shù)據(jù)指的是正常的觸發(fā)文本，就是你設計的觸發(fā)query，像“明天天氣怎么樣”、“天氣預報”、“查詢天氣預報”等，這些都是我們定義的“查天氣”的意圖。

一般在準備正例的數(shù)據(jù)時，最關心的是數(shù)據(jù)的來源，還有數(shù)據(jù)的豐富性。

如果是冷啟動的話，建議團隊內(nèi)部，或者有專門的數(shù)據(jù)部門，進行人肉泛化，就是每個人自己寫幾條符合意圖的觸發(fā)query。

這里亞馬遜在做智能音箱的時候有一個要求，就是每個意圖的正例訓練集的數(shù)據(jù)，不能少于30條（測試數(shù)據(jù)也一樣）。數(shù)據(jù)來源就是公司員工制造，數(shù)據(jù)豐富性就是依靠數(shù)據(jù)量標準約束。

如果是語音能力已經(jīng)有了，每天都有大量的交互數(shù)據(jù)，我們就可以從真實的交互中拿數(shù)據(jù)。導出交互日志需要逐一標注，從中找到屬于該意圖的數(shù)據(jù)。

這些數(shù)據(jù)的好處就是更加貼近用戶真實的情況，缺點就是成本會比較高，但一般都是可控的。

基于現(xiàn)有的交互數(shù)據(jù)標注，可以輕輕松松準備30該意圖的數(shù)據(jù)，建議越多越好，100條以上為最佳。數(shù)據(jù)來源就是用戶的交互，數(shù)據(jù)豐富性是依靠用戶的。

3.2 反例數(shù)據(jù)

反例數(shù)據(jù)指的是非該意圖的數(shù)據(jù)，就是除了正例數(shù)據(jù)，理論上所有的數(shù)據(jù)都是反例數(shù)據(jù)。像“明天要是不下雨就好了”、“我知道現(xiàn)在在下雨”、“我不想查天氣預報”等，這些都不是我們定義的“查天氣”的意圖。

很多時候，我們做語音技能的時候，是很容易忽略反例數(shù)據(jù)的。

反例數(shù)據(jù)最好是能夠有意圖相關的關鍵詞，數(shù)據(jù)量最好可以和正例數(shù)據(jù)一樣多。在準備反例數(shù)據(jù)的時候，要注意一些意圖相反的操作，比如：“我不想查天氣預報”，這是比較典型的反例數(shù)據(jù)。

往往反例數(shù)據(jù)比正例數(shù)據(jù)要難收集，尤其是高質(zhì)量的反例數(shù)據(jù)，一般交互日志是最好的資源。

正例數(shù)據(jù)可以保證準確率，而反例數(shù)據(jù)可以減少誤召回，提高召回率。

4. 語音技能的實現(xiàn)

訓練數(shù)據(jù)準備好之后，就是技能的實現(xiàn)了，這塊需要工程師的支持。有些公司是工程師直接寫語音技能的邏輯，有些公司是會提供一個平臺，通過培訓，讓產(chǎn)品經(jīng)理和運營同學也可以寫。

這里就會用到一些基礎能力，當一句query傳過來，首先會使用中文分詞對這句話進行分詞。

比如：“北京明天天氣怎么樣”，會被分為“北京”、“明天”、“天氣”、“怎么樣”，然后就是命名實體識別；比如：“北京”就是地點實體，“明天”就是時間實體，對應的就是語音技能的槽位。

最后就是匹配我們寫的正則表達式，這里就不過多贅述，感興趣的同學可以搜搜看。

中文分詞：為什么叫中文分詞呢？因為英文是以詞為單位的，詞和詞之間是依靠空格和標點隔開的，而中文是以字為單位的，一句話的所有字是連在一起的。

所以就需要算法把一句話切分成有意義的詞，這就是中文分詞，也叫切詞，主要為了NLU后面處理做準備。了解錘子手機的人可能知道上面有一個叫做“大爆炸”的功能，就是基于該算法的。

這是NLU最底層的能力，一般都是用的開源的算法，大家能力相差不大，基本可以保證準確率在90%以上。

命名實體識別：詞性標注是把每個詞的詞性標注出來，而命名實體識別是指識別文本中具有特定意義的實體，包括人名、地名、時間等。

一般來說，命名實體識別的任務就是識別出待處理文本中三大類（實體類、時間類和數(shù)字類）、七小類（人名、機構(gòu)名、地名、時間、日期、貨幣和百分比）命名實體。

這個一般會根據(jù)本身業(yè)務的需求進行調(diào)整，不做明確的限制。

還有比較簡單的實現(xiàn)方式，就是通過窮舉實體+寫正則的方式，而不需要用到模型去做處理。

比如：“查天氣”這個技能，我們通過窮舉的方式，把表達地點和時間的詞語都窮舉出來，然后分別存到詞典里面。最后使用這兩個詞典寫一些正則表達式，用來覆蓋我們準備的訓練集。

這樣做的的前提需要是實體詞是可以窮舉的，否者就會遇到召回率很低的問題。除了實現(xiàn)方法，我們還要考慮實現(xiàn)過程的效率，以及實現(xiàn)效果怎么樣。

5. 測試驗收效果

一般的語音技能開發(fā)會比較快，開發(fā)完成之后就是驗收了，驗收最關心的指標是精準率和召回率。

5.1 驗收指標介紹

本質(zhì)上就是計算機判斷了一次，然后人工判斷了一次，默認以人工判斷的為真實標簽，計算機判斷的為預測標簽，如下表：

5.1.1 精準率（Precision）

計算機認為對的數(shù)據(jù)中，有多少判斷對了。

精準率表示的是預測正例的樣本中有多少是真正類，預測為正例有兩種可能，一種就是真正類(TP)，另一種就是假正類(FP)，公式表示如下：

5.1.2 召回率（Recall）

的樣本中，有多少被計算機找出來了。

召回率表示的是樣本中的正例有多少被預測正確了。也只有兩種可能：一種是真正類(TP)，另一種就是假反類(FN)，公式表示如下：

其實就是分母不同，一個分母是預測標簽的正例數(shù)，另一個真實標簽的正例數(shù)。一般情況這兩個指標都會在0-1之間，越趨近于1，語音技能的效果越好。

5.2 驗收步驟

驗收這里分為兩個步驟：一個NLU批量驗證；一個是端到端驗證，都可以用測試集來驗證。

NLU批量驗證就是把測試集的query，全部通過語音技能的邏輯跑一邊，一般用來驗證技能在NLU上面的效果。通常這一步只會測試新增的技能，單獨測試這個技能的效果，主要關心的是精準率和召回率，這一步理論上來說，必須這兩個指標都要達到95以上。

端到端驗證是模擬用戶正常使用，需要把技能放在整個語音鏈路上面，來觀察語音技能在實際情況中的表現(xiàn)。

通常這一步才會發(fā)現(xiàn)一些問題，比如：語音技能之間的沖突，甚至會發(fā)現(xiàn)ASR識別不對的情況。這一步主要關心響應時間、語音技能是否正常等情況。

測試一定要把好最后一道關卡，保證語音技能的精準率和召回率，同時也要測試技能之間優(yōu)先級的關系，是否技能之間會出現(xiàn)優(yōu)先級的問題。如果有多輪的語音技能，也要測試多輪的效果。

6. 總結(jié)

做一個語音技能，產(chǎn)品首先要有一個明確的定義，其次就是基于產(chǎn)品定義準備訓練集和測試集，然后基于訓練集完成技能的開發(fā)，最后使用測試集進行驗證。

本文由 @我叫人人 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

題圖來自Unsplash，基于CC0協(xié)議。