文章摘要：到目前為止，智能語(yǔ)音機(jī)器人這一產(chǎn)品大約經(jīng)歷了三代人。第一代，以IVR為主(InteractiveVoiceResponse，也就是交互式語(yǔ)音應(yīng)答)，大家以前都接到過(guò)銀行或客戶服務(wù)電話。例如，在一句開(kāi)場(chǎng)白之后，讓您選擇：...

到目前為止，智能語(yǔ)音機(jī)器人這一產(chǎn)品大約經(jīng)歷了三代人。

第一代，以 IVR為主(Interactive Voice Response，也就是交互式語(yǔ)音應(yīng)答)，大家以前都接到過(guò)銀行或客戶服務(wù)電話。例如，在一句開(kāi)場(chǎng)白之后，讓您選擇：按下一或二鍵，相當(dāng)于第一代交互機(jī)器人的操作方式。

在2017年至2019年的兩到三年內(nèi)，隨著深度學(xué)習(xí)算法的迅速普及和發(fā)展，實(shí)時(shí)對(duì)話機(jī)器人將會(huì)出現(xiàn)。電話那頭的顧客可能感覺(jué)不到什么特別明顯的東西，但細(xì)聽(tīng)的話也能聽(tīng)到是機(jī)器人。每個(gè)人都會(huì)接到一些電話，聊天中才發(fā)現(xiàn)這是一個(gè)機(jī)器人。這類機(jī)器人一般對(duì)話能力相對(duì)比較簡(jiǎn)單，一般聊天幾輪或30秒左右就結(jié)束，只做簡(jiǎn)單的任務(wù)。

直到今天，未來(lái)幾年都是下一代機(jī)器人，以前更多的還是要學(xué)習(xí)人類的能力，而現(xiàn)在，下一代機(jī)器人主要是做決定。

智能機(jī)器人想要工作，主要從三個(gè)方面來(lái)學(xué)習(xí)人類的能力。

首先是語(yǔ)言。一般情況下，任何場(chǎng)景下機(jī)器人使用的語(yǔ)言，首先都要有人工，客戶服務(wù)中心積累語(yǔ)料，正常的人和用戶交談，看他怎么說(shuō)話。無(wú)論客戶服務(wù)、電銷還是其他場(chǎng)景，人工客服和用戶如何交談，都是聊天的內(nèi)容，說(shuō)話的方式。

其次是聲音，機(jī)器人的上代產(chǎn)品更多地使用了 TTS (Text To Speech)語(yǔ)音合成技術(shù)。事實(shí)上，里有各種各樣的智能音響，你去問(wèn)問(wèn)題，它在為你播放東西的時(shí)候，就是在進(jìn)行語(yǔ)音合成，你可以聽(tīng)出合成的效果。里面的一些聲音，語(yǔ)調(diào)，音色和真實(shí)的人還是有些不同的。

如今，市場(chǎng)上所有的語(yǔ)音合成，包括國(guó)內(nèi)的中文語(yǔ)音合成，只要聽(tīng)得細(xì)一點(diǎn)就能聽(tīng)到。第一，語(yǔ)音合成的聲音多會(huì)比較平坦。第二，里面沒(méi)有情緒，很多情緒都聽(tīng)不見(jiàn)。因此，下一代機(jī)器人聲音必須更接近于人工音效，或使人工音效變平。

關(guān)鍵在于做決定，因?yàn)槿藗冊(cè)趯?duì)話中，除了聽(tīng)和說(shuō)這些能力外，大腦還會(huì)理解對(duì)方想要表達(dá)什么。就像另一個(gè)人說(shuō)的話，我心里一定會(huì)想，他說(shuō)的話到底是什么意思。在我了解這個(gè)句子的意思后，我還會(huì)考慮怎樣回答他。當(dāng)我回答他的問(wèn)題和意圖時(shí)，我一定會(huì)帶著自己的目的。根據(jù)我的目的，腦子里想一個(gè)字，想完了，這個(gè)字就會(huì)說(shuō)出來(lái)。實(shí)際上是這樣的一個(gè)過(guò)程。制作一個(gè)機(jī)器人，首先要了解過(guò)去的人如何與用戶交談。

在過(guò)去的幾年里，每個(gè)人的決策都做得很簡(jiǎn)單，后臺(tái)人工通過(guò)拖拽的方式，配上一段對(duì)話的邏輯出來(lái)。但這完全是基于人的體驗(yàn)，如果用戶表達(dá)的內(nèi)容不在邏輯圈內(nèi)，跳出來(lái)，機(jī)器人就不知道該如何回答。

從后面看，智能語(yǔ)音機(jī)器人做出決定的能力跟在人類后面，可能是10年，20年，甚至更久。事實(shí)上，從現(xiàn)在起，我們就要采取行動(dòng)了。

文章為沃豐科技原創(chuàng)，轉(zhuǎn)載需注明來(lái)源：http://www.yzny.net.cn/ucm/faq/13390