【AI知識科普棧】 什麼是VoiceBot智能語音助理

OK Google、Hi Siri…相信這些對於我們日常都耳熟能詳吧！ 他們的目標都是在試圖理解我們的意圖， 進行相對應的回應， 也就是設法來懂我們要什麼並給出我們心中所想要的。

在VoiceBot之前， 相信也都聽過Chatbot這個名詞吧！ 當我們在FB與粉絲團互動時， 我們會以文字來詢問問題， 而Chatbot收到文字之後， 透過NLU、NLP…等技術來理解我們的意圖， 並歸類意圖之後， 透過樣板設計來回覆問題， 而VoiceBot則是將文字的對答改成聲音而已， But…真的只是這麼簡單嗎？ 讓我們繼續看下去…

需要「會」什麼？

VoiceBot沒有按鈕、列表、提示窗， 只有聲音的回應， 因此這種互動模式需要讓機器聽的懂、能理解、能講話， 這才是真正的VoiceBot的目標， 而要達到這些目標會有幾個關鍵技術：

1. 首先要能夠聽的懂我們在說什麼？ 究竟是國語、英語還是法語呢？
2. 聽的懂之後， 要能夠理解我們的需求
3. 理解需求並找到適合的回答之後， 要能夠說話來回應， 讓交談更為順暢。

對應的技術有哪些？

VoiceBot的基礎配備會需要以下三大技術：

1. 語音辨識(STT)： 將我們的聲音轉換成相對應的文字， 這就相當於早期的Chatbot文字表述問題的方式， 只是難度更高 。
2. 語意理解(NLU)： 這就像是機器的大腦一樣， 透過NLP的技術去解析語音辨識的文字， 並搭配機器人要提供的服務及流程給予正確的回應。
3. 語音合成(TTS)： 將語意分析產生的回應對話內容透過語音合成的技術， 串流給使用者做為回應。

其實還有一項重要的技術叫做「串流」

即時回應很重要！！！ 試想， 假設我們給一段對話，結果等了5分鐘才回應， 我們不氣死才怪， 真正順暢的對話是當我們講話到一個斷點時， 對方根據這斷點的片段去理解去思考， 並給予適當的回應， 這才是我們人類順暢的對話過程， 而要達到這個過程最關鍵的技術點就是「串流」了， 我們將聲音持續的流向後端的服務，結合VAD、語音辨識…等技術， 產生一句話，來讓機器「聽的懂」， 再搭配NLP/NLU來理解與得到對應的回答， 最後由TTS產生音訊透過「串流」來即時回答。

關於串流的技術， 有興趣的朋友， 這邊推薦您閱讀「🔒 阿Han的軟體心法實戰營 - 🦗 Kafka專區」讓我們一同來學習串流。

為什麼會有VoiceBot的需求？

老年化、少子化、缺工…， 相信這些問題已經陸陸續續的發酵了， 許多行業已經開始找不到「人」來做了， 因此需要將這些工作讓機器人幫助我們來完成， 當然這背後並不只是這麼簡單的技術， 包括硬體也要一併跟上， 而VoiceBot就像我們的耳朵、嘴巴、大腦， 能聽、能懂、能講就能夠達到基本的需求回應， 當這些技術成熟之後， 下一步搭配「能做」， 就能夠協助我們人類完成許多的任務， 也順勢解決了老年化、少子化、缺工…等人類所面臨的問題。

結語

今天只是簡單的分享未來的趨勢與對應的技術， 我們將針對這個主題來去研究各個技術， 並持續的分享心得， 以淺顯易懂的教學來引導有興趣的夥伴， 讓我們一同站在技術的前線， 共同學習成長。