AI语音技能产品，如何设计

随着科技的快速发展，如今我们的生活越来越便捷，很多时候通过说话便有机器代替我们去完成一些事情，这便是语音技能带给我们的好处。日常生活中，语音技能仿佛无处不在，小到手机、智能音箱，大到机器人，那么，语音已经应该如何设计出来呢？

随着语音交互的普及，我们首先用到的最多的就是语音技能，比如：我们让智能音箱唱歌、查天气、讲笑话等，这些都是语音技能。

1. 基础信息介绍

在设计语音技能之前，我们首先要掌握技能用到的一些基础定义，每家公司可能叫法上面会有区别，但是都大同小异。

1.1 基础定义

我们在聊聊语音技能常见的一些名词和定义，主要有领域（domain）、意图（intent）和槽位（slot），这些都是语音技能必不可少的一些参数内容。

1.2 底层逻辑

基于什么能力实现的。

目前大部分做语音技能的公司，都是用正则表达式来写的，就是基于一些文本规则，作为约束条件，筛选出来明确的意图。抽取的槽位也是基于规则，或者穷举的方式。

这样做的好处是改动方便，以及改动后的影响好评估，而且冷启动非常方便，甚至可以做到每天迭代；缺点也同样明确，泛化能力弱，没有学习能力。

也有一小部分公司已经开始使用算法做语音技能了。

语音技能本质是一个意图识别的事情，而意图识别实际上又是一个分类问题，有基于传统机器学习的SVM，基于深度学习的CNN、LSTM、RCNN、C-LSTM等。

槽位识别实际上是一种序列标记的任务，有基于传统机器学习的DBN、SVM，也有基于深度学习的LSTM、Bi-RNN等。用算法做的优点就是泛化能力强，有一定的学习能力；缺点就是成本高，适合复杂技能后期迭代的方向。

2. 语音技能的定义

在开始动手做语音技能的之前，要先对语音技能进行定义，知道技能的边界，要有明确的反馈逻辑在里面。我们这里用“查天气”这个烂大街，也是最典型的技能来举例子。

2.1 定义技能

我们要明白为什么做“查天气”这个技能，以及要做到多细。

原因可能是我们就觉得这个技能很基础，用户都被教育过了，必须要有；也可能是我们看用户的交互日志，发现每天都有很多人有这个意图，现在是未满足状态，值得单拿出来作为一个技能。

2.2 触发技能反馈

反馈这块一方面依赖于产品底层的设计；另一方面依赖于产品形态，按照有无屏幕，可以简单分为两种产品形态：有屏幕和没有屏幕。这两方面结合，才能设计出一个人性化的体验。

的

产品的底层设计要考虑意图要不要细化，比如：“今天有雾霾吗？”和“今天天气怎么样？”这两种问法有没有必要分开处理，设置不一样的回复内容。

3. 数据的准备

前面说到的都是产品设计的时候要考虑到的问题，如果你把技能已经设计的差不多的时候，就可以准备这个意图的训练和测试数据，因为我们最终语音技能的开发是基于数据的，数据覆盖的越全面，技能的效果越好。

数据堂针对智能家居场景自研多套优质训练数据集，可应用于语音交互、语音控制、手势控制、异常行为检测等任务。更是得到了广大公司的青睐，该数据包含3D人脸识别数据， 200人唤醒词手机采集语音数据，559460段50种动态手势识别数据，8643张14类异常图像视频数据等，让智能家居产品更理解主人需求，人机沟通更加智能化。

4. 语音技能的实现

训练数据准备好之后，就是技能的实现了，这块需要工程师的支持。有些公司是工程师直接写语音技能的逻辑，有些公司是会提供一个平台，通过培训，让产品经理和运营同学也可以写。

这里就会用到一些基础能力，当一句query传过来，首先会使用中文分词对这句话进行分词。

比如：“北京明天天气怎么样”，会被分为“北京”、“明天”、“天气”、“怎么样”，然后就是命名实体识别；比如：“北京”就是地点实体，“明天”就是时间实体，对应的就是语音技能的槽位。

最后就是匹配我们写的正则表达式，这里就不过多赘述，感兴趣的同学可以搜搜看。

中文分词：为什么叫中文分词呢？因为英文是以词为单位的，词和词之间是依靠空格和标点隔开的，而中文是以字为单位的，一句话的所有字是连在一起的。

所以就需要算法把一句话切分成有意义的词，这就是中文分词，也叫切词，主要为了NLU后面处理做准备。了解锤子手机的人可能知道上面有一个叫做“大爆炸”的功能，就是基于该算法的。

这是NLU最底层的能力，一般都是用的开源的算法，大家能力相差不大，基本可以保证准确率在90%以上。

5. 测试验收效果

一般的语音技能开发会比较快，开发完成之后就是验收了，验收最关心的指标是精准率和召回率。

6. 总结

做一个语音技能，产品首先要有一个明确的定义，其次就是基于产品定义准备训练集和测试集，然后基于训练集完成技能的开发，最后使用测试集进行验证。

公司网址：www.szhxr.com