谷歌 2018 年度的开发者大会（Google I/O 2018）介绍的 Android P、Gmail、Gboard、TPUv3 等众多新产品和功能中，尤为亮眼的无疑是个人助理 Google Assistant 中新增加的 Duplex，它可以自己给饭馆、发廊等商业店面打电话，帮用户预约时间。
这几天媒体各种报道与惊叹，甚至说起吊打智障Siri。EDN编辑找到了谷歌AI blog上来自谷歌的工程师 首席工程师Yaniv Leviathan以及工程副总裁Yossi Matias的博客，他们在博客中揭秘了Duplex用到的技术。
Google duplex是一种用于特定领域，通过拨打电话执行任务的工具。
特定领域是指比如预定一家餐馆、预定一次理发等。Google duplex可以进行非常自然的人机对话，听起来非常地自然，就像真实的人在进行电话拨打一样。
借助语言理解、交互、时间控制、语音生成方面的最近技术发展，Google Duplex 的对话听起来相当真实自然。
为了处理上面提到的挑战，Duplex 的核心是一个 RNN 网络，它是由 TensorFlow Extended（RFX）构建的。为了达到高精度，谷歌用匿名的电话对话数据训练了 Duplex 的 RNN 网络。
这个网络会使用谷歌自动语音识别（ASR）的识别结果文本，同时也会使用音频中的特征、对话历史、对话参数（比如要预订的服务，当前时间）等等。
谷歌为每一种不同的任务分别训练了不同的理解模型，不过不同任务间也有一些训练语料是共享的。最后，谷歌还利用 TFX 的超参数优化进一步改进了模型。
输入语音先经过自动语音识别系统（ASR）处理，生成的文本会与上下文数据以及其它输入一起输入 RNN 网络，生成的应答文本再通过文本转语音（TTS）系统读出来。
总结，Google duplex使用到的技术包括：
1、使用Google自己的ASR（语音识别）技术，将对话方的语音转化为文字；
2、使用TensorFlow构建基于RNN（循环神经网络）的模型，基于匿名电话会话数据语料库，进行Duplex的训练，训练好的模型，可以根据对话方的语音转化成的文字，生成相应的文字响应；
3、使用综合TTS引擎（Tacontron和WaveNet），将深度学习模型生成的文字，转化为语音，作为最终的对话响应；
4、duplex可以和Google assistant配合使用，Google assistant可以在后台调用duplex，进行任务的执行。
谷歌联合使用了一个级联 TTS 引擎和一个生成式 TTS 引擎（其中使用了 Tacotron 和 WaveNet），根据不同的情境控制语音的语调。
这个系统还可以生成一些语气词（比如“hmmm”、“uh”），这也让语音变得更自然。当级联 TTS 需要组合变化很大的语音单元，或者需要增加生成的停顿时，语气词就会被添加到生成的语音中，这就让这个系统可以以一种自然的方式向对方示意“是的我听着呢”或者“我还在考虑”（人类说话的时候就经常在思考的同时发出一些语气词）。谷歌的用户调查也确认了人类觉得带有语气词的对话更熟悉、更自然。
另一方面，系统的延迟也要能够符合人类的期待。比如，当一个人在电话里讲了“你好”这样的简单句子之后，他们会希望很快听到一个简短的回复，这种时候会对延迟更加敏感一些。当 AI 系统检测到了需要短延迟的情境时，就会使用更快但精度也更低的模型来处理。在某些极端情况下，系统甚至都不会等待 RNN 运行，而是直接使用快速逼近模型（通常也会和更慢的正式回应搭配起来使用，就像人类不完全理解另一方的时候会犹豫一样）。
这样的做法就可以让系统达到 100ms 之内的极短延迟。有趣的是，谷歌发现在某些情况下要增加一些延迟来让对话听起来更自然，比如回复一个很复杂的句子的时候。
总结而言：
1、Duplex被限制在特定的领域进行使用，这使得技术人员可以针对该领域进行详细的技术设计，从而取得有针对性的非常自然的效果；
2、神经网络模型的输入不仅是ASR的文字结果，还包括对话的历史记录，使得模型可以更好地理解对话的上下文，生成更加准确的响应；
3、Duplex会使用“嗯”、“啊“等表示停顿、思考的语气词，或者延长某些词，好像它正在花时间去思考一个答案，使得语音响应听起来更加自然；由于人们在进行真实的对话时，有时会期待及时快速的响应，比如说“你好？”在类似的极端情况下，duplex甚至会不等待深度学习模型的响应结果，而是用更快的类似的响应，如此，便使得响应更加地自然。
据悉：今年夏天，谷歌就会开始基于 Google Assistant 测试 Duplex，就从预订餐馆、预订发廊、询问节假日的营业时间这样的事项开始。
最前沿的电子设计资讯
