TOP100summit 2017：亞馬遜Echo音箱可以語音識人，華人工程師揭祕設計原理

2017年，人工智能的消費產品落地聚焦在了智能音箱上，谷歌、亞馬遜紛紛推出智能音箱產品，國內的阿里巴巴推出天貓精靈，小米推出小米AI音箱。智能音箱經過語音能夠發出指令，將來可能成爲智能家居的入口，經過語音控制家裏的其餘智能設備。

幾個月前谷歌的語音識別應用推出支持個性化語音識別功能，而本週三，也就是10月11日，亞馬遜的Echo音箱也具有了這項功能。

當不一樣的人對着音箱說話時，能夠自動識別身份，提供好比我的專屬的音樂播放列表、個性化購物等功能。總之，能夠經過聲音來識別人，讓語音控制更進一步。

亞馬遜Echo音箱背後是亞馬遜的Alexa智能語音技術，陳亞是一位華人工程師，是亞馬遜Alexa機器學習團隊的資深工程師，負責語音識別、語義理解模型的搭建及優化。關於Alexa的技術內涵壹佰案例特地與陳亞進行了交流。

語音識人的技術原理

若是在不少人的空間裏，讓Alexa知道是誰在說話，使用的是鉚釘語音檢測的思路，開始經過Alexa來喚醒系統，使用一個RNN從中提取錨定嵌入，記錄語音特徵，接下來用另外一個RNN從後續的請求語句中提取語音特徵，基於此獲得一個端點決策。

陳亞介紹，Alexa是首個經過語音指令驅動的AI語音助理軟件，只須要呼叫「Aleca」，就能夠對已經鏈接數百個應用的Alexa下達工做指令，好比播放音樂、查找資料、啓動其餘智能設備或者購物等。

如今Alexa並不僅是一個語音識別工具，已經變成了一個很成熟的操做系統，將來有可能取消傳統的手機屏幕，經過語音就能夠進行操做。

Alexa的深度學習技術原理

Alexa的開發進行了大規模的深度學習，一我的成長到16歲耳朵聽聲音的時間大概只有14016小時，而Alexa的深度學習是將幾千個小時的真實語音訓練數據存儲到S3中，使用EC2雲上的分佈式GPU集羣來訓練深度學習模型。

在訓練模型方面，Alexa使用幾個逼近算法減小更新規模，隨着GPU線程的增長，訓練速度也會加快，每一秒能夠處理大約90分鐘的語音。人耳16年能夠聽1.4萬個小時的語音，而Alexa使用3小時就能夠完成。

Alexa的語音識別系統主要包括信號處理、聲學模型、解碼器以及後處理等4大模塊，首先將收集的聲音進行信號處理，再將語音信號轉化到頻域，從10毫秒的語音中提取特徵向量提供給聲學模型，聲學模型負責把音頻分紅不一樣的音素，解碼器能夠得出機率最高的一串詞串，通過後處理把單詞組合成容易讀取的文本。

Alexa與其餘語音識別應用的優點

陳亞介紹到，Alexa之因此可以佔據終端市場70%的市場份額，是由於亞馬遜客戶至上的文化信仰。Alexa可以取得成功，是由於從產品設計到開發管理模式等方面都堅持客戶至上的原則，進行用戶體驗革新，下降智能家居門檻，創建Alexa生態。

即將在11月9日開幕的第六屆TOP100全球軟件案例研究峯會上，陳亞將以分享嘉賓的身份出席，從產品設計的角度分享亞馬遜用戶至上理念引導的產品設計思路，以及亞馬遜對人工智能和機器學習的探索經驗。點擊進入TOP100官網查看會議信息。