發(fā)表評(píng)論分享按鈕

Siri背后的技術(shù)

2011/10/25

　　今年10月，Apple發(fā)布了iphone 4S with IOS 5,其中最大的亮點(diǎn)就是一個(gè)語音搜索軟件-Siri。一時(shí)間，各種geek，偽geek，碼農(nóng)，非碼農(nóng)都流行起調(diào)戲siri，各種調(diào)戲視頻，音頻大量出現(xiàn)。不過，常言道“外行看熱鬧，內(nèi)行看門道”，作為一個(gè)“偽內(nèi)行”，或者“欲做內(nèi)行而不得”的人，根據(jù)自己的知識(shí)，以及一些搜索工具，嘗試了解了一下Siri的“門道”，在這里做個(gè)總結(jié)，列出siri所可能用到的技術(shù)。

　　Siri是IOS上的個(gè)人助理應(yīng)用：此軟件使用到自然語言處理技術(shù)，使用者可以使用自然的對(duì)話與手機(jī)進(jìn)行互動(dòng)，完成搜尋資料、查詢天氣、設(shè)定手機(jī)日歷、設(shè)定鬧鈴等服務(wù)。

　　Siri所用到的技術(shù)，很多人會(huì)回答，人工智能以及云計(jì)算，的確，總體來說，是這兩樣技術(shù)，不過，這種概述感覺幾乎沒有任何意義，和不直接說“計(jì)算技術(shù)”（注意，不是計(jì)算機(jī)技術(shù)）呢。因此，在本文，我將介紹下我了解Siri可能采用的技術(shù)。

　　首先，在前端方面，即面向用戶，和用戶交互（User Interface，UI）的技術(shù)，主要是語音識(shí)別以及語音合成技術(shù)。語音識(shí)別技術(shù)是把用戶的口語轉(zhuǎn)化成文字，其中需要強(qiáng)大的語音知識(shí)庫，因此需要用到所謂的“云計(jì)算”技術(shù)。而語音合成則是把返回的文字結(jié)果轉(zhuǎn)化成語音輸出，這個(gè)技術(shù)理論上本地就能完成（以前用過科大訊飛的在windows mobile上的本地語音閱讀軟件，軟件很小，但能讀的很好，還支持方言），但不知道Siri是否如此，當(dāng)然，在云端完成也并無不可，在當(dāng)前無線帶寬下，那點(diǎn)語音流量根本不算什么。

　　其次，后臺(tái)技術(shù)，這些其實(shí)才是真正的大角色（當(dāng)然，普通用戶是不會(huì)在意的，他們只會(huì)覺得前端很炫，哎，這就是做后端的悲哀，小小感嘆一下）。這些技術(shù)的目的就是處理用戶的請(qǐng)求，并返回最匹配的結(jié)果，這些請(qǐng)求類型很多，千奇百怪，要處理好并不簡(jiǎn)單�；镜慕Y(jié)構(gòu)猜測(cè)可能是分析用戶的輸入（已經(jīng)通過語音轉(zhuǎn)化），根據(jù)輸入類型，分別采用合適的技術(shù)（合適的技術(shù)后面）進(jìn)行處理。這些合適的后臺(tái)技術(shù)包括，①以Google為代表的網(wǎng)頁搜索技術(shù)；②以Wolfram Alpha為代表的知識(shí)搜索技術(shù)（或者知識(shí)計(jì)算技術(shù)）；③以Wikipedia為代表的知識(shí)庫（和Wolfram Alpha不同的是，這些知識(shí)來自人類的手工編輯）技術(shù)（包括其他百科，如電影百科等）；④以Yelp為代表的問答以及推薦技術(shù)。

　　下面，對(duì)上面提到的各種技術(shù)進(jìn)行簡(jiǎn)要介紹（如有空，后面的博文可能會(huì)對(duì)某些技術(shù)詳細(xì)的介紹，大家耳熟能詳?shù)木兔饬耍�，�?qiáng)調(diào)下，介紹的有些參考來源是維基百科相關(guān)詞條，下面不一一列出：

　　語音識(shí)別以及語音合成技術(shù)語音識(shí)別技術(shù)，也被稱為自動(dòng)語音識(shí)別（英語：Automatic Speech Recognition, ASR），其目標(biāo)是將人類的語音中的詞匯內(nèi)容轉(zhuǎn)換為計(jì)算機(jī)可讀的輸入，例如按鍵、二進(jìn)制編碼或者字符序列。與說話人識(shí)別及說話人確認(rèn)不同，后者嘗試識(shí)別或確認(rèn)發(fā)出語音的說話人而非其中所包含的詞匯內(nèi)容。語音識(shí)別技術(shù)所涉及的領(lǐng)域包括：信號(hào)處理、模式識(shí)別、概率論和信息論、發(fā)聲機(jī)理和聽覺機(jī)理、人工智能等等。

　　語音合成是將人類語音用人工的方式所產(chǎn)生。若是將電腦系統(tǒng)用在語音合成上，則稱為語音合成器，而語音合成器可以用軟/硬件所實(shí)現(xiàn)。文字轉(zhuǎn)語音(text-to-speech, TTS)系統(tǒng)則是將一般語言的文字轉(zhuǎn)換為語音，其他的系統(tǒng)可以描繪語言符號(hào)的表示方式，就像音標(biāo)轉(zhuǎn)換至語音一樣。

　　相比于語音識(shí)別，語音合成感覺難度要低，并且基本能夠在本地完成（很多OS都有內(nèi)置的語音合成引擎）。而語音識(shí)別，由于涉及到語義理解，難度大大加大，需要大量的知識(shí)庫，一般需要在云端完成。

　　另外，在國內(nèi)，這方面做的很好的公司也有，比如鄙人本科所在學(xué)校的科大訊飛，就是中文語音合成以及識(shí)別的領(lǐng)軍企業(yè),在英文語音合成領(lǐng)域其實(shí)也很牛，拿過很多獎(jiǎng)。國外的話，比較早的應(yīng)該是IBM ViaVoice。

　　網(wǎng)頁搜索技術(shù)這個(gè)我想沒必要介紹，大家天天用的Google就是這個(gè)技術(shù)的代表。而國內(nèi)的話，則以百度為代表。

　　知識(shí)計(jì)算（搜索）技術(shù)（Computational Knowledge）這個(gè)技術(shù)的代表是Wolfram|Alpha。

　　不同于搜索互聯(lián)網(wǎng)信息，Wolfram|Alpha將從公眾的(包括公開的網(wǎng)頁等)和獲得授權(quán)的資源中，發(fā)掘、建立起一個(gè)異常龐大的經(jīng)過組織的數(shù)據(jù)庫，再利用高級(jí)的自然語言算法進(jìn)行處理，最終構(gòu)造出一個(gè)類似于谷歌搜索的工具。

　　和網(wǎng)頁搜索技術(shù)不同的是，在這個(gè)系統(tǒng)中，得到的答案結(jié)構(gòu)化程度很高，比如搜索China，能得到和中國相關(guān)的各種參數(shù)以及資料，并以接近表格的方式呈現(xiàn)。Wolfram|Alpha也能理解部分自然語言，比如輸出How old are you，其會(huì)回答Wolfram|Alpha的年齡。想測(cè)試這項(xiàng)技術(shù)的請(qǐng)移步Wolfram|Alpha。

　　這個(gè)技術(shù)國內(nèi)做的應(yīng)該有，但還沒有產(chǎn)品，也許百度的框計(jì)算算是半個(gè)。所以機(jī)會(huì)大大的有。

　　知識(shí)庫技術(shù)這名字是我自己起的，不知道有沒有貽笑大方。。。這個(gè)技術(shù)的代表是維基百科，以及各種專門的百科網(wǎng)站。相比于網(wǎng)頁搜索技術(shù)，基本以一個(gè)詞條或者主題為單位，因此得到的數(shù)據(jù)價(jià)值高，知識(shí)量大，并且結(jié)構(gòu)化程度好。相比于知識(shí)計(jì)算技術(shù)，這些技術(shù)需要人的參與，這有利也有弊，利就是，畢竟暫時(shí)人比機(jī)器聰明，編輯出來的知識(shí)更豐富，準(zhǔn)確；弊就是，人力有限，即使像維基那樣，發(fā)動(dòng)社區(qū)的力量，也不能產(chǎn)生足夠的知識(shí)，而知識(shí)計(jì)算，理論上，只需要算法夠牛叉，是可以產(chǎn)生“無限”的知識(shí)的。

　　另外，寫到這里，我想起Yahoo和Google的故事，當(dāng)年，Yahoo是搜索老大，就像現(xiàn)在的Wekipedia在知識(shí)搜索領(lǐng)域一樣，而Google是小弟，就像Wolfram|Alpha在知識(shí)搜索領(lǐng)域一樣。但后來，卻反過來了，Googe成了網(wǎng)頁搜索老大，Yahoo成了小弟，原因就是Google相信算法的結(jié)果，把所有事都交給算法做，而Yahoo，很多索引都是人工編輯的。我想，也許有一天，Wekipedia和Wolfram|Alpha也會(huì)出現(xiàn)這樣的情況。

　　問答推薦技術(shù)其實(shí)這不能稱為一個(gè)技術(shù)，應(yīng)該屬于知識(shí)庫的技術(shù)。不同的是，這個(gè)技術(shù)針對(duì)的是一些生活信息，這些信息的地域化程度很高，典型代表為Yelp。由于這東西比較簡(jiǎn)單，就不仔細(xì)介紹了。

　　其實(shí)在國內(nèi)，這方面的網(wǎng)站也有，那就是大眾點(diǎn)評(píng)網(wǎng)這些。

　　讀完此文，你也許會(huì)發(fā)現(xiàn)，其實(shí)Siri并沒有什么革命性的技術(shù)，其本質(zhì)是將各種已經(jīng)比較成熟的技術(shù)融合成一個(gè)產(chǎn)品，最終呈現(xiàn)給用戶，因此，完全沒必要對(duì)Siri神圣化。

　　另外，Siri其實(shí)是蘋果買來的，在蘋果買來之前，Siri本來是會(huì)推出Android版本的，可是，被蘋果購買后，Android版本的Siri遙遙無期了（不過，這為廣大的Android開發(fā)者以及公司提供了機(jī)會(huì)）。而Siri之前默默無聞，但是一從蘋果推出，卻聲名鵲起，不得不佩服Apple以及Jobs的眼光以及執(zhí)行力。

Sigma


相關(guān)閱讀:
Siri10種“非娛樂”的“正經(jīng)”用法 2011-10-24
蘋果iPhone 4S銷量達(dá)到創(chuàng)紀(jì)錄 2011-10-18
Siri語音助手大受歡迎 蘋果服務(wù)器不堪重負(fù) 2011-10-18
蘋果：Siri語音識(shí)別明年將支持5國語言 2011-10-17
回憶喬布斯：不為外界所知的“WiFi教父” 2011-10-17

熱點(diǎn)專題:  語音合成TTS 語音識(shí)別ASR    移動(dòng)增值   移動(dòng)互聯(lián)網(wǎng)
分類信息:  移動(dòng)增值_與_移動(dòng)互聯(lián)網(wǎng)  移動(dòng)增值_與_CTI文摘  移動(dòng)互聯(lián)網(wǎng)_與_移動(dòng)  CTI文摘_與_移動(dòng)
 相關(guān)頻道:  增值電信文摘