我们在上一篇博文中介绍了人工智能模型与人工智能模型的区别，前者使用语言来理解你所说的话，而后者则获取你说话的 “要点"。在今天的文章中，我们将深入探讨后者。
“好的，电脑"
如今，我们都熟悉与语音人工智能交互的主要方式：触发短语。"嘿 Siri “和 “嘿 Alexa “已成为我们日常生活的一部分。
提出这种方法的人试图解决两个问题：首先，他们需要一种明确的方法来确定用户何时在向人工智能发号施令；其次，他们需要人工智能始终响应性地、高效地聆听指令，而这需要人工智能的大量马力。"好的，电脑 “并不是一种自然语言模式，但使用人工智能却很容易实现；理想情况下，我们应该能够像对智能人类助手一样对人工智能说话，相信它们会根据上下文知道我们什么时候在说话，而不仅仅是当我们明确说出它们的名字时才知道。创建关键词触发器是为了规避人工智能和电源方面的限制，但现在这些限制已不再适用。
当你说出一个关键字时，在幕后发生的是一个有趣的多级唤醒系统，这是一系列旨在省电的算法和人工智能模型。从一直在监听的语音活动检测器（VAD）开始，当出现任何语音时，KWS 模型就会被触发，并检测语音是否是预定义的关键词，例如 “嘿，Alexa"。只有在这一切发生后，才会进行更复杂的处理。这种级联是为了提高能效–在每个阶段，都尽可能执行要求最低的算法。
“当你只有一把锤子……"
有很多神经网络方法可以发现关键词，但（至少对我来说）最有趣的方法是基于识别频谱特征。频谱图是音频转换成频域的图片，而人工智能非常擅长对图片进行分类。要训练人工智能图像分类模型识别猫，就需要展示大量猫的图片。训练关键词识别器在概念上是一样的：记录数千个人们说这句话的例子，计算每个例子的频谱图（基本上是一幅图像），然后训练模型来识别这些图像。
这种方法有其局限性，最重要的一点是音频不能太长。频谱图捕捉的是音频片段在固定时间内的频率，如果时间太长，响应速度和准确度都会下降。这意味着这种方法适用于两到五秒钟的短语，但不适用于需要较长句子的任务。
图像分类是最古老、最易理解的人工智能任务之一，因此利用该类算法是很有意义的。图像分类的许多特性同样适用于音频。最有用的是，神经网络的设计可以将 “模式匹配 “与 “被匹配模式 “分开学习，这实际上意味着使用迁移学习来教授人工智能一个新的短语，而不是从头开始。
“按我的意思去做，而不是按我说的去做"
事实证明，一旦你开始把音频当作图像处理，你就可以训练人工智能做更多的事情，而不仅仅是简单的唤醒词。下一个合乎逻辑的步骤是在许多指令词上训练你的模型，这些指令词可以用来创建简单的用户界面，就像你说 “导航 “来打开汽车导航系统一样。
事实上，我们能做的远不止简单的命令。有些模型可以从说话短语中推断出说话者的意图。这些 “从语音到意图"（Speech-to-Intent）模型是在几十个短语的成千上万种变化中训练出来的，可以归纳出从未听过的变化。这些模型对于创建基于语音的用户界面非常有用，最终让设备摆脱了通常的固定短语界面。
实际问题
Apollo4 具有超低功耗、192Mhz 性能、超高效音频外设、2MB MRAM、大容量缓存和大容量紧耦合内存，非常适合运行 KWS 和语音-意图等人工智能模型。模型大小因关键字或意图的数量而异，但一般可容纳在 200KB 内存以下，每次推理耗电约 500 uJ。推理延迟完全不是一个因素，它远小于短语长度，例如 KWS 大约需要 50 毫秒。
基于深度语言模型的语音识别技术还比较遥远，不过算法和设备方面的稳步发展将在未来一两年内使其成为现实。
圣杯
如上文所述，大多数基于人工智能的语音用户界面都很笨拙，是根据工程限制而非用户需求设计的，导致 Alexa 或 Siri 用户只能使用 “启动计时器 “和 “提高音量 “等老生常谈的简单命令。
总有一天，对着手表说话会和对着人说话没什么区别：你的设备会根据各种上下文信息，知道你是在对它说话，还是在对一个人说话，它不会要求你记住几个关键短语，而是像一个优秀的个人助理那样，学会读懂你的意图。
