Duplex：Google如何創造能夠進行自然對話的人工智慧

如果您最近幾天一直在關注新聞，那麼您肯定沒有錯過 Google Duplex。這無疑是此次發布的最重要的公告谷歌輸入/輸出會議上提出的人工智慧似乎實現了時間上的飛躍。

未來就是現在嗎？

她現在能夠用自然語言進行交流......以至於她甚至進行電話交談的能力與一個真實的人。很難相信嗎？然而，在演示中（誠然是事先錄製的），在協商好日期和時間後，Google Duplex 成功自行預約了美髮師。對話流暢且充滿不同的語調，似乎與我們在處理合成聲音時通常聽到的相去甚遠。

但這怎麼可能（如果可能的話）？

聲音和語境的挑戰

第一個難題：聲音。正如Google所解釋的，模仿自然語言和行為並不容易。因為對話也是由沉默、中斷和重複的句子、各種問題、表示我們正在傾聽的小「嗯嗯嗯」組成的，同時也不會忘記每個人特有的語調、口音和表達方式的變化……建模所有這一切都極為複雜。

接下來是另一個問題，即理解問題。任何使用過 Siri 這樣的語音助理的人都清楚這一點：為了讓 AI 理解你自己，你必須簡化你的句子……不僅僅是對話，它首先是一個問題/答案，而且通常需要費力地進行。出去。人工智慧確實很難跟上並考慮上下文，這是兩個人之間對話的核心要素。

專心改變

在他的博文，Google 解釋了其工程師如何在 Google I/O 主題演講中得出令人驚嘆的結果。第一點：為了與理髮師或餐廳老闆互動，Google Duplex 經過專門訓練，可以識別所使用的典型句子、問題和單字、它們的含義和使用上下文。換句話說，Duplex 無法以如此精確和理解的程度討論任何事情。

為了提供針對特定主題的自然對話，Duplex 使用循環神經網絡，該網絡已接受匿名電話通訊組的處理。正是這些數據用於他的訓練，使他能夠根據給定的上下文理解所用單字的含義。

在訓練過程中，人類對話者的話語透過自動語音辨識技術進行篩選。然後，這些數據與來自音軌、歷史記錄和對話其他參數的資訊一起輸入神經網路。

最終，對於每個領域（美髮、修腳等），Google創建了一個理解模型，然後將其與每個領域學到的通用元素合併。

一種聲音的兩種工具

一旦人工智慧理解了對其所說的話，它就必須做出回應。這就是兩個文字轉語音工具發揮作用的地方。第一個是連接文字轉語音 (TTS) 引擎，透過合成語音讀取文字。第二個也是 TTS 引擎，由 Google 去年 12 月推出的兩個元素組成：Tacotron 2 和 Wavenet。示意地說，第一個陳述句子，第二個根據情況控制語調。

最後，為了讓對話更加自然，Google 整合了分歧，我們發出的那些小「嗯」聲，沒有意識到它表示我們仍在傾聽。一些小標誌和慣例可以防止對話者懷疑我們是否仍然在線。還有什麼比這種小小的懶惰更人性化的呢？