AI語音助手的未來

讓形象更可感——Gatebox

Gatebox是日本公司vinclu專門為宅男打造的一款全息影像人工智能管家，可以說日本人民是真的會玩，你可以去官網感受一下他們的宣傳片

第一個畫面，宅男在公司加班，Hikari Azuma通過Line發去了消息，“你記得今天是什么日子嗎？什么時候回來？”宅男說，“馬上回來！”Hikari Azuma：“好棒！”，隨手打開了家里的燈，等待主人回家。

宅男回家后，Hikari Azuma立馬甜蜜問候：“歡迎回來。”然后羞答答地說：“今天是我們住在一起三個月紀念日，你記得嗎？”

宅男立馬拿出了禮物，Hikari Azuma看到之后開心地鼓掌。

宅男準備好食物和酒，開始慶祝時，Hikari Azuma把家里的燈光系統調節成了溫馨浪漫的風格。

最后，宅男和Hikari Azuma舉起酒杯，互相感謝對方的陪伴。視頻最后的一句話寫著：Living with characters(和二次元老婆一起生活)。

不少中國同胞在youtube上呼吁雷軍趕緊把這個公司買下，在中國用感動人心的價格福利大眾，哈哈。

根據梅拉比安模型：感情表達＝內容7%+語調語氣38%+表情肢體語言55%，所以僅靠語言文字遠遠不夠，甚至像Google Duplex做到分辨不出說話者是AI還是人也還不夠，長期來說，更重要的會是“多模態交互”。

在Gatebox的交互中，比如調低燈光亮度時，她會擺出朝燈呼氣的動作，詢問天氣時，她又會做出側身展示天氣預報的動作。小愛同學是首個正式發布人工智能虛擬形象的AI語音助手，“米娘”的形象也受眾多米粉們喜愛，如果真的能把成本降下來的話，相信會有蠻多人（尤其是宅男們）入坑的。

退而求其次，就算不做全息影像，做一個平面投影也是可以的嘛。

讓關系更自然——Replika

Replika是Luka Inc.公司開發的一款Chatbot，據說初衷是為了緬懷兩位創始人在車禍中失去的摯友，通過搜集他生前的社交聊天預料來創建一位虛擬人。

拋開它作為一款Chatbot與AI語音助手的需求差別，我覺得它設計得非常好的是被稱為“反芻機制”的功能，將你在和它聊天時提到的語料在一段時間間隔之后提取出來，自然地插入到交流當中，感覺就像你跟朋友提起你最近睡眠不好，過了一段時間后朋友會來關心你的近況，感覺非常的貼心。

真的有一種感覺，就像《小王子》里面有一段，小王子對小狐貍說我們一起玩啊，小狐貍回答說我現在還不能和你一起玩，因為我還沒有被馴養。

馴養是指彼此共同投入一段時間，結成一種關系，人類是AI的訓練師，但與此同時，AI其實也在訓練你如何與它進行互動。或許只有這樣，千禧一代的互聯網原住民才能跨過未來與AI原住民之間的鴻溝。小愛同學雖然沒有Chatbot的這種天然場景，但還是有很多落地點的：

小愛音箱的對話，由于無法主動開啟對話，可以選擇在識別到用戶當前意圖與語料庫中的語義信息相關時補充對話，比如用戶說：“播放音樂”，小愛會回復：“愛聽歌的人運氣都不會太差哦”，那么可以再回復“我記得你說你注意力很難集中，要不要聽聽我給你推薦的輕音樂？”。

智能手機消息欄的推送，比如用戶說：“我最近睡眠不太好。”，小愛會回復：“多鍛煉有助睡眠。”，那么就可以推送“我記得你和我說過你睡眠不太好，小愛為你找到了一些催眠音樂，試試對我說：我想聽催眠音樂”；

讓對話更真實——Google Duplex

在5月9日的Google I/O大會上，Google Duplex的一句 “umms”著實讓人驚艷，5 月 11 日，谷歌母公司 Alphabet 董事長（前斯坦福校長）John Hennessy 表示，他們還達成了一項里程碑成績 ——Duplex （部分）通過了圖靈測試。

對Google Duplex不了解的朋友，如果能科學上網的話，可以到Google AI Blog上看看Google官方的介紹原文：

以下對Google Duplex的技術認知來源于蟲門科技郭靖的文章，這是我看到的對Google Duplex最深入的分析，感興趣的朋友可以點擊鏈接閱讀原文：

Google Duplex讓對話如此真實主要是體現在兩大塊——自然語言理解與對話模塊、文本轉語音模塊。

（1）文本轉語音模塊

文本轉語音模塊（即語音合成）技術比較明了，在博客中交代得比較清楚，沒有什么懸念。

We use a combination of a concatenative text to speech (TTS) engine and a synthesis TTS engine (using Tacotron and WaveNet) to control intonation depending on the circumstance.

我們結合使用聯結式文本到語音（TTS）引擎和綜合TTS引擎（使用Tacotron和WaveNet）來控制語調，具體取決于環境。

（2）自然語言理解與對話模塊

在自然語言理解與對話模塊的具體實現上Google就不是很老實了，只是給了一些比較寬泛的概念。

郭靖在他的文章中給出了以下猜想：

在這個猜想的架構中，用戶的語音通過ASR識別為文字后，會通過預設的規則轉化為形式語言，將重要實體用形式模板代替。

這樣形式化后的文本與語音、上文的形式文本一起送入一個encoder模型，其將這些原始信息編碼成兩個語義信息向量，一個代表本輪用戶的語言，另一個代表上幾輪對話。

同時，通過ASR識別的文本還會與上幾輪對話的文本、通過Google Assistant傳來的條件參數（代表對話的目標，用戶本身的信息等大前提）一起進入另一個網絡，其根據輸入的信息輸出一個代表當前對話狀態信息的向量。

這一網絡很可能具備每一輪對話為一個step的循環結構，意味著這個對話狀態信息的更新會參考前一輪對話狀態的信息。

當然，在拿著錘子找釘子的當下，這一塊就太偏前沿技術了，但是對于AI，對于整個人類歷史，技術始終都是推動發展的源動力。