【51CTO.com原創(chuàng)稿件】本期出席《大咖來了》直播欄目的嘉賓是百度DuerOS首席布道師曹洪偉，進行了主題為《面向交互的人工智能》的分享，主要講解了語音交互中用到的AI技術(shù)，如ASR、NLU、NLG、TTS等，以及基于這些細分技術(shù)構(gòu)建的面向?qū)υ捠降娜斯ぶ悄懿僮飨到y(tǒng)——DuerOS，通過本次分享大家可以基本上掌握如何在智能語音交互平臺上開發(fā)應(yīng)用，進一步體會智能語音如何服務(wù)我們的生活。

語音使人機交互更加便捷

什么是交互？交互是指 A 和 B 之間的一系列動作和行為，語出《京氏易傳·震》：“震分陰陽，交互用事”。

那什么是人機交互呢？人機交互是一門研究系統(tǒng)與用戶之間的互動關(guān)系的學(xué)問。系統(tǒng)可以是各種各樣的機器，也可以是計算機化的系統(tǒng)和軟件。人機交互重點研究用戶與計算機之間的接口，既包括人類與計算機的交互方式，也包括設(shè)計技術(shù)，使人類以新穎的方式與計算機交互。人機交互與人機界面是兩個有著緊密聯(lián)系而又不盡相同的概念。

 在計算機時代，人機交互的發(fā)展歷程如下圖所示：

從鍵盤+鼠標到使用觸摸屏，再到語音交互，人機交互在不斷地演進，由面向機器的人機交互，演變?yōu)槊嫦蛴脩糇陨淼慕换ァＵZ音是非常低成本的溝通手段和工具，為我們帶來非常大的便利。

語音交互的優(yōu)勢在于：其一是速度，每分鐘可以說120到150個字。其二是釋放雙手，做飯時通過語音可以完成一些期望做的事。其三是直覺性，語言是人類的天賦，也是人類交際溝通的自然手段。其四是同理心，語音中包含了語氣、音量、語調(diào)和語速，這些特征傳達了大量的信息。

語音交互離不開人工智能技術(shù)，在語音交互中所涉及的人工智能技術(shù)如下圖所示：

如今，智能語音交互正在為我們服務(wù)，背后有一整套完整的技術(shù)和流程，從語音喚醒到自動語音識別，再到自然語言理解，最終通過自然語言生成以及語音合成技術(shù)形成反饋，整套流程背后又有很多細分的AI技術(shù)在支持，如對話管理、深度學(xué)習(xí)，DNN、CNN、NLP、TTS等。

面對涉及如此之廣的AI技術(shù)， 我們怎樣才能應(yīng)用到工作和生活之中呢？這和我們有了計算機之后，如何使用計算機是類似的。計算機上的操作系統(tǒng)及其API為程序員們打開了計算機世界的大門。面向智能交互的AI系統(tǒng)， 我們同樣需要一個類似的操作系統(tǒng)，才能方便而且高效地構(gòu)建我們的人工智能交互應(yīng)用。

面向語音交互的DuerOS操作系統(tǒng)

百度的DuerOS是一個面向語音交互的對話式人工智能操作系統(tǒng)，在包含了語音交互的整套流程的同時，還提供開放能力平臺，如SDK、工具、編程接口和設(shè)備等，如下圖所示：

DuerOS操作系統(tǒng)有三個層面，分別是智能設(shè)備開放平臺（應(yīng)用層）、對話核心系統(tǒng)（核心層）和技能開放平臺（能力層）。下面我們進一步從基于DuerOS的智能語音設(shè)備、智能語音設(shè)備的工作原理、智能語音交互的交互流程和智能語音應(yīng)用的開發(fā)流程等方面了解DuerOS操作系統(tǒng)。

了解一個操作系統(tǒng)主要是看有哪些語音設(shè)備，基于這些設(shè)備才能進行具體的應(yīng)用開放，DuerOS的智能語音設(shè)備有很多，部分的小度系列產(chǎn)品如下圖：

[[283221]]

DuerOS廣泛適用于音箱、電視、冰箱、手機、機器人、車載、可穿戴、玩具等多種場景及設(shè)備，這些智能語音設(shè)備的工作原理是怎樣的呢？

相比傳統(tǒng)設(shè)備，智能語音設(shè)備是面向交互的，通過語音、觸屏進行輸入，利用TTS、麥克風(fēng)、信號處理等手段，把本地能力轉(zhuǎn)移到云端，再利用云端ASR、TTS、NLU、NLG等具體的AI技術(shù)實現(xiàn)智能語音，最后把業(yè)務(wù)引擎、業(yè)務(wù)資源和技能服務(wù)進行融合，這樣就可以通過語音完成一系列服務(wù)，如下圖所示。

技能開放平臺包含很多層次，如底層基礎(chǔ)能力、BOT-SDK、配置服務(wù)、協(xié)議開放、平臺開放、周邊工具等。下面介紹一下智能語音交互應(yīng)用的交互流程。

這里，我們以詢問天氣意圖為例，當(dāng)用戶發(fā)出語音指令后，智能音箱本地做用戶喚醒詞識別，然后通過音箱把語音流傳到DuerOS平臺，DuerOS平臺進行語音識別、語義理解、發(fā)送結(jié)構(gòu)化數(shù)據(jù)給技能服務(wù)器。技能服務(wù)器處理請求，向DuerOS平臺返回文本或可視化的結(jié)果，DuerOS平臺收到后，TTS服務(wù)器處理返回的文本，將播報流發(fā)送給智能音箱，如果是有屏音箱的話，也可將可視化結(jié)果在設(shè)備上進行展示。

那么，我們?nèi)绾卧贒uerOS開發(fā)一個智能語音交互的應(yīng)用呢？

智能語音交互應(yīng)用的開發(fā)流程一般分為六個步驟，分別是注冊、創(chuàng)建技能、建立交互模型、編寫代碼部署、調(diào)試與驗證和技能上線商用，如下，為具體步驟圖解。

第一步，訪問https://dueros.baidu.com/dbp, 注冊成為DuerOS的開發(fā)者。

第二步，創(chuàng)建技能，和我們在Android或iOS上創(chuàng)建應(yīng)用是類似的。

進入技能控制臺，選擇“從頭開始”創(chuàng)建自定義技能。技能名稱是2～50個字符，調(diào)用名稱是2～15個字符。調(diào)用名稱是技能服務(wù)的入口，打開+調(diào)用名稱。不建議使用生僻詞匯、中英文混合及數(shù)字與漢字混合。技能創(chuàng)建后會生成一個技能ID，是技能服務(wù)在DuerOS系統(tǒng)中的唯一標識。

第三步，建立交互模型，這可能是智能語音應(yīng)用與App，小程序，web之類應(yīng)用的最大的不同點。

用戶詢問的核心在這里稱為意圖，建立交互模型就是創(chuàng)建多種用戶意圖的過程。意圖的標識就相當(dāng)于具體事件的編號。交互模型的建立實際上是一種面向接口的設(shè)計方式，明確的交互的意圖就是在一定程度上確定了技能服務(wù)的功能。

第四步，編寫代碼并部署。

DuerOS 提供了高效安全的百度云服務(wù)免費使用，開放平臺的在線編輯器提供了對Python 和Node 的語言支持，編碼主要是對交互模型中的意圖進行匹配和處理。在線編輯器中的代碼將自動部署在百度云的CFC，CFC是百度云FaaS無服務(wù)架構(gòu)的具體應(yīng)用。當(dāng)然，技能代碼的編寫還可以通過Java，PHP等其他語言進行編寫，也可以部署在自己的服務(wù)器或者其他云服務(wù)上。

第五步，對技能服務(wù)進行測試與驗證。

DuerOS開放平臺提供了兩種測試方式：模擬器和真機調(diào)試。在真機調(diào)試時，要保證技能開發(fā)賬號和設(shè)備登錄賬號一致，對設(shè)備說“開啟技能調(diào)試模式”即開啟了“技能調(diào)試模式”功能，需要注意的是同一時間僅支持一個技能測試。

第六部，技能應(yīng)用的上線商用。

類比來看，發(fā)布上線與App在安卓市場或者蘋果商店上的上線發(fā)布過程是類似的。至此，我們可以基于DuerOS的開放平臺開發(fā)符合用戶需求的各種智能語音交互應(yīng)用。同時， DuerOS 還提供了零編程的智能語音交互應(yīng)用實現(xiàn)方式。應(yīng)用的種類豐富多彩，可以為我們的生活帶來更多的便利和樂趣！

基于智能語音交互服務(wù)的一天

從早上通過音箱叫你起床，通過搭載DuerOS的車機導(dǎo)航出發(fā)上班，用小度助手去安排當(dāng)日工作，工作中小度助手可以提醒休息，孩子可以用搭載DuerOS的設(shè)備打電話、看電視和聽故事。

隨著交互形式的變化，交互技術(shù)發(fā)展到了今天的智能語音時代，在智能語音服務(wù)中可以直接應(yīng)用到各種人工智能技術(shù)，可以不用深入關(guān)注具體的NLU、NLG等具體AI技術(shù)，只要使用基于DuerOS這樣對話式的AI開放平臺，就可以完成面向語音交互的各種服務(wù)。

【51CTO原創(chuàng)稿件，合作站點轉(zhuǎn)載請注明原文作者和出處為51CTO.com】