深刻理解Amazon Alexa Skill（一）

語音助手（Virtual Personal Assistants, VPA）是物聯網智能家居中很火的一個領域，用戶能夠經過語言做爲入口來控制家裏各類各樣的設備，而亞馬遜的Alexa（echo，echo dot）是作的最先也是最優秀的一款產品，衍生出了很大的開發生態圈。本文基於亞馬遜的官方文檔試圖記錄做者對其Skill工做原理的理解。

這不是一個手把手Skill開發入門教程，僅僅講解了概念與我的的一些理解

宏觀概念

Alexa提供一系列內置的功能，好比回答問題，語音遊戲，控制智能家居設備，這些功能都是由skill實現的。亞馬遜爲Alexa skill提供了一個開放的開發環境，相似於google的Android，任何開發者均可以自由的開發skill並上傳到市場中供Alexa的用戶使用。Skill調用的基本過程：識別用戶調用請求——根據輸入語音判斷用戶意圖——執行功能。

更具體來說，一個skill主要分爲兩部分：語音用戶接口部分（Voice User Interface (VUI) ）和功能部分。VUI部分是運行在亞馬遜的Alexa雲上，Alexa根據設置的規則和用戶的語音判斷調用哪一個skill。當選擇調用你的skill後，纔會執行到skill的功能部分。那麼功能部分是怎麼實現的呢？其實很簡單，就是Alexa雲發一個JSON格式的數據的HTTPS請求給你預設好的服務器（能夠本身搭建web服務器來處理這個HTTPS請求，也能夠用AWS的lambda設置alexa來觸發）。這個JSON數據就是Alexa規定好的「協議」了，詳見文檔，發來的JSON內容包括用戶intent，用戶和設備的ID，本次會話的ID，訪問用戶隱私數據的令牌，用戶控制設備的的token（Oauth2.0）等等不少。你本身Web服務器（本身搭建須要驗證簽名來判斷這請求是否是Alexa服務器發來的）/Lambda的代碼來處理這個發來的JSON，同時你再給Alexa回覆JSON來響應。事實上，skill的功能代碼能夠完成任意功能，好比使用用戶的token來向第三方雲發送請求，實現根據語音控制他的智能家居設備。

Skill類型（Skill Models）

官方文檔將skill分爲了幾個類別，如定製（custom）、智能家居、資訊等。
定製類型的skill須要開發者本身處理skill中涉及的幾乎全部步驟：

• intents： skill能夠處理的請求，即提供的功能，例如點餐，叫出租車，查天氣，等等。
• interaction model： 定義出用戶如何說才能調用intents，至關於圖形化中點哪一個按鈕才能觸發預設的功能。例如：「叫輛車」映射到「叫出租」的功能。
• invocation name： 定義一個Alexa識別你這個skill的名字，相似於Android App的名字，如「抖音」。由於VPA須要知根據用戶說的語音來判斷到底用戶想啓用哪一個skill，安卓中用戶能夠明確的用手點擊屏幕的App圖標，可是如何判斷用戶要確切的啓用哪一個skill對語音交互來講實現就很困難。Nan Zhang等發表在S&P 2019的工做就針對這點提出了voice squatting攻擊，基本想法是利用口音方言、禮貌用語（「請」，「please」）的差異，讓用戶調用本身的惡意skill。此外還有個印度哥Deepak Kumar發現方言誤發音甚至是可預測的。
• 開發者可選引入一些除了聲音之外的交互內容，好比有的高端VPA已經支持觸摸屏了。

而其餘類型的skill亞馬遜給提供了預約義的模板，開發者不須要處理全部的步驟。好比智能家居類型（Smart Home pre-built model），就是預約義來控制門鎖、燈等設備的，選擇了這個模板就喪失了靈活的定製性，可是能夠更方便快速的開發。使用這類的skill，由Smart Home Skill API 定義了：

• device directives： skill能夠處理的請求，好比開關、鎖門、改變燈的亮度等等功能。其實就像intents。
• 用戶調用指令要說的話：其實就是interaction model。

開發者須要本身定義本身的skill如何響應某一個指令（directive），例如，須要寫代碼完成收到「turn on the light」指令時的功能，代碼須要使用亞馬遜的另外一個服務AWS Lambda來完成。注意，使用Smart Home Skill API 就只能響應這些API裏預設的特殊指令（device directives）。（這裏有個疑問，alexa是如何斷定調用哪一個skill來管理本身家燈的？）

用戶是如何與skill交互的

用戶作出請求——Skill收集補充信息——用戶提供須要的信息——skill完成請求功能
Custom skill的例子： User: Alexa, get high tide for Seattle from Tide Pooler.
其中Tide Pooler是skill的invocation name ，調用custom skill的用戶必須明確說明這個skill的調用名稱。「get high tide for Seattle 」就是須要映射到intent的語音了。

智能家居的例子： User: Alexa, turn on the living room lights.
「turn on the...」會被Alexa識別成預設的interaction model，判斷用戶是要開燈。
「living room lights」是用戶以前設置的具體設備的名稱，而不是skill的名字，Alexa會將device directive發送給能夠控制living room lights這個設備的智能家居skill，這個skill再經過與設備的雲平臺來交互，打開這個具體的設備，並返回結果給Alexa。

轉載請註明出處 http://www.javashuo.com/article/p-fpaavxdo-p.html