第291章 智能語音助手全面轉向深度學習路線？
林辰餘光瞥了她一眼，搖搖頭。
走到十五樓東側的安全門前，俯身對準虹膜掃描儀。
「驗證通過。」
厚重的隔音門滑開，裡面的景象豁然開朗。
近千平米的開放式辦公區被分割成數個功能區：聲學實驗室、算法開發區、語料標註區、硬體聯調區。
牆上掛著一塊巨大的進度看板，密密麻麻貼滿了任務便簽。
「林總！」一個戴著耳機、頭髮有些凌亂的男人快步迎了上來。
他叫周牧野，三十五歲，前中科院自動化所語音實驗室的副研究員，兩個月前被林辰用三倍年薪加項目獎金硬生生從體制內挖了過來，出任天音項目的技術總監。
「周總監，三個月了，給我看看你們的成果吧。」林辰開門見山的說道。
周牧野臉上閃過一絲緊張，但很快鎮定下來，領著林辰朝聲學實驗室走去：「林總，按照您八月份定下的方向，我們目前主要攻克三個模塊：前端信號處理與降噪、連續語音識別引擎、以及自然語義理解框架。這邊請，我給您演示當前版本。」
聲學實驗室里四面牆壁鋪滿了尖劈狀的吸音棉，中央擺著一張測試台，台上固定著一部改裝過的藍天S3手機，外接著一套精密的麥克風陣列。
周牧野拿起工程機，按下側鍵，屏幕亮起一個深藍色的聲波圖標。
「請播放嘈雜環境測試音。」他對旁邊的助手說道。
助手按下控制台的按鈕，實驗室的音響系統瞬間爆出嘈雜的聲響。
馬路的車流聲、商場的人聲、廚房裡的炒菜聲，多種噪聲疊加在一起，信噪比極低。
周牧野對著手機說道：「打電話給周周。」
手機屏幕上的聲波圖標劇烈跳動，兩秒後，一個甜美的女聲響起：「正在為您呼叫...」
林辰挑了挑眉，在這麼吵的環境下能準確識別並執行，在這個年代已經算是頂尖水平了。
但周牧野的表情卻沒有太多得意，反而有些忐忑：「林總，這是簡單指令下的表現。但如果換成更複雜的自然語句，比如…」
他清了清嗓子，再次對著手機說：「幫我查一下明天從北京飛深圳的航班，要下午到的，然後幫我訂一張靠窗的機票，再發條微信告訴周周我明天到。」
手機屏幕上的聲波圖標閃爍了足足五秒，最後機械女聲遲疑地響起：「抱歉我不太明白，您是要查詢航班，還是發送微信？」
周牧野苦笑著看向林辰：「林總，這就是目前最大的瓶頸。單輪命令識別，我們在乾淨環境下能做到百分之九十五以上的準確率，噪聲環境下也能維持在百分之八十二左右。
但一旦涉及多輪對話、複雜意圖、前後語境關聯，識別率和理解成功率就會斷崖式下跌，跌到不足百分之四十。」
林辰拿起那部手機機，端詳著屏幕上那個簡單的聲波圖標。
【記住本站域名 找書就去 TW 看書網，𝓼𝓱𝓾.𝓽𝔀超全 】
2009年的語音識別技術，能做到這個程度，周牧野團隊已經算了不起了。但他心裡清楚，這遠遠不夠。
「知道問題出在哪嗎？」林辰問。
「數據量不夠，模型太淺。」周牧野推了推眼鏡，語氣裡帶著研究者特有的執拗。
「我們現在的聲學模型還是基於傳統GMM-HMM框架，語義理解更是靠規則模板硬套。想要實現您說的那種像人一樣對話的效果，沒有海量語料訓練，根本做不到。
而且計算量太大，以現在手機處理器的性能，本地跑深度學習模型幾乎不可能。如果全部走雲端，延遲和網絡穩定性又是大問題。」
「模型框架，全面轉向深度學習路線。」
周牧野一愣：「深度學習？語音領域現在主流還是…」
「我知道現在主流是什麼，但我要的不是主流，是領先。我給你三個目標參數，你記好。」
周牧野連忙掏出筆記本。
「第一，聲學模型放棄GMM-HMM，上深度神經網絡，用DNN-HMM混合框架做過渡，最終目標是完全的端到端識別。訓練語料我來解決，年底前我給你弄到十萬小時以上的標註語音數據。」
「十萬小時？」周牧野手一抖，國內目前公開的語音語料庫加起來恐怕都沒有一萬小時。
「第二，語義理解不要再用規則模板了，上意圖識別加槽位填充的聯合模型。我要它能理解上下文，支持至少三輪以上的連續對話，並且能記住對話過程中的關鍵信息。
比如用戶先說幫我訂明天去北京的票，接著問那邊天氣怎麼樣，再然後說幫我帶件厚外套，它要知道那邊指的是北京。明天這個日期要延續到訂酒店、查天氣、提醒穿衣這一系列動作里。」
周牧野咽了口唾沫，只覺得頭皮發麻。
這種程度的上下文關聯，就是國際最頂尖的實驗室也還在論文階段。
「第三，本地算力不夠，就從算法端壓縮。量化、剪枝、知識蒸餾，這些手段全用上。同時，藍芯微電子那邊正在研發下一代應用處理器，我會讓他們在晶片裡集成一顆專用的神經網絡加速單元，專門跑語音模型。
但在晶片出來之前，你們先用軟體方案扛著，目標是把模型壓縮到能在現有旗艦機上本地運行基礎指令識別，複雜語義走雲端，端到端延遲控制在三百毫秒以內。」
三百毫秒。周牧野在心裡默念這個數字，這意味著從用戶說完話到系統給出反饋，要在零點三秒內完成，幾乎要達到人類對話的無感延遲。
「林總，這…」周牧野張了張嘴，想說這幾乎是不可能完成的任務。
但林辰那雙眼睛看著他，平靜得像一潭深水，卻又帶著某種讓人無法質疑的魔力。
「周總監，我立項的時候說過，天音項目不是要做一個玩具，不是要做一個只能設鬧鐘查天氣的噱頭。我要的是下一代人機互動的入口。
明年，深藍系統的裝機量很可能會突破五千萬，後年可能會過億。當用戶習慣了動嘴不動手，誰掌握了語音入口，誰就掌握了移動網際網路的下一個時代。」
他伸手拍了拍周牧野的肩膀：「技術路徑你不用擔心，按我說的方向走，該突破的瓶頸，會在該突破的時候突破。你現在要做的，就是把團隊擴到一百人以上，分三個小組並行，聲學組、語義組、工程組。錢管夠，人管夠，我只看結果。」
周牧野看著林辰，忽然想起自己入職那天，林辰在辦公室里對他說的話：「跟著我，你會做出改變世界的產品。」
當時他覺得這年輕人狂妄。
但現在，看著這個比自己小了將近十歲的男人，他莫名其妙地覺得…也許真能做到。
「明白，林總。我等會就改技術路線圖。」
走到十五樓東側的安全門前，俯身對準虹膜掃描儀。
「驗證通過。」
厚重的隔音門滑開，裡面的景象豁然開朗。
近千平米的開放式辦公區被分割成數個功能區：聲學實驗室、算法開發區、語料標註區、硬體聯調區。
牆上掛著一塊巨大的進度看板，密密麻麻貼滿了任務便簽。
「林總！」一個戴著耳機、頭髮有些凌亂的男人快步迎了上來。
他叫周牧野，三十五歲，前中科院自動化所語音實驗室的副研究員，兩個月前被林辰用三倍年薪加項目獎金硬生生從體制內挖了過來，出任天音項目的技術總監。
「周總監，三個月了，給我看看你們的成果吧。」林辰開門見山的說道。
周牧野臉上閃過一絲緊張，但很快鎮定下來，領著林辰朝聲學實驗室走去：「林總，按照您八月份定下的方向，我們目前主要攻克三個模塊：前端信號處理與降噪、連續語音識別引擎、以及自然語義理解框架。這邊請，我給您演示當前版本。」
聲學實驗室里四面牆壁鋪滿了尖劈狀的吸音棉，中央擺著一張測試台，台上固定著一部改裝過的藍天S3手機，外接著一套精密的麥克風陣列。
周牧野拿起工程機，按下側鍵，屏幕亮起一個深藍色的聲波圖標。
「請播放嘈雜環境測試音。」他對旁邊的助手說道。
助手按下控制台的按鈕，實驗室的音響系統瞬間爆出嘈雜的聲響。
馬路的車流聲、商場的人聲、廚房裡的炒菜聲，多種噪聲疊加在一起，信噪比極低。
周牧野對著手機說道：「打電話給周周。」
手機屏幕上的聲波圖標劇烈跳動，兩秒後，一個甜美的女聲響起：「正在為您呼叫...」
林辰挑了挑眉，在這麼吵的環境下能準確識別並執行，在這個年代已經算是頂尖水平了。
但周牧野的表情卻沒有太多得意，反而有些忐忑：「林總，這是簡單指令下的表現。但如果換成更複雜的自然語句，比如…」
他清了清嗓子，再次對著手機說：「幫我查一下明天從北京飛深圳的航班，要下午到的，然後幫我訂一張靠窗的機票，再發條微信告訴周周我明天到。」
手機屏幕上的聲波圖標閃爍了足足五秒，最後機械女聲遲疑地響起：「抱歉我不太明白，您是要查詢航班，還是發送微信？」
周牧野苦笑著看向林辰：「林總，這就是目前最大的瓶頸。單輪命令識別，我們在乾淨環境下能做到百分之九十五以上的準確率，噪聲環境下也能維持在百分之八十二左右。
但一旦涉及多輪對話、複雜意圖、前後語境關聯，識別率和理解成功率就會斷崖式下跌，跌到不足百分之四十。」
林辰拿起那部手機機，端詳著屏幕上那個簡單的聲波圖標。
【記住本站域名 找書就去 TW 看書網，𝓼𝓱𝓾.𝓽𝔀超全 】
2009年的語音識別技術，能做到這個程度，周牧野團隊已經算了不起了。但他心裡清楚，這遠遠不夠。
「知道問題出在哪嗎？」林辰問。
「數據量不夠，模型太淺。」周牧野推了推眼鏡，語氣裡帶著研究者特有的執拗。
「我們現在的聲學模型還是基於傳統GMM-HMM框架，語義理解更是靠規則模板硬套。想要實現您說的那種像人一樣對話的效果，沒有海量語料訓練，根本做不到。
而且計算量太大，以現在手機處理器的性能，本地跑深度學習模型幾乎不可能。如果全部走雲端，延遲和網絡穩定性又是大問題。」
「模型框架，全面轉向深度學習路線。」
周牧野一愣：「深度學習？語音領域現在主流還是…」
「我知道現在主流是什麼，但我要的不是主流，是領先。我給你三個目標參數，你記好。」
周牧野連忙掏出筆記本。
「第一，聲學模型放棄GMM-HMM，上深度神經網絡，用DNN-HMM混合框架做過渡，最終目標是完全的端到端識別。訓練語料我來解決，年底前我給你弄到十萬小時以上的標註語音數據。」
「十萬小時？」周牧野手一抖，國內目前公開的語音語料庫加起來恐怕都沒有一萬小時。
「第二，語義理解不要再用規則模板了，上意圖識別加槽位填充的聯合模型。我要它能理解上下文，支持至少三輪以上的連續對話，並且能記住對話過程中的關鍵信息。
比如用戶先說幫我訂明天去北京的票，接著問那邊天氣怎麼樣，再然後說幫我帶件厚外套，它要知道那邊指的是北京。明天這個日期要延續到訂酒店、查天氣、提醒穿衣這一系列動作里。」
周牧野咽了口唾沫，只覺得頭皮發麻。
這種程度的上下文關聯，就是國際最頂尖的實驗室也還在論文階段。
「第三，本地算力不夠，就從算法端壓縮。量化、剪枝、知識蒸餾，這些手段全用上。同時，藍芯微電子那邊正在研發下一代應用處理器，我會讓他們在晶片裡集成一顆專用的神經網絡加速單元，專門跑語音模型。
但在晶片出來之前，你們先用軟體方案扛著，目標是把模型壓縮到能在現有旗艦機上本地運行基礎指令識別，複雜語義走雲端，端到端延遲控制在三百毫秒以內。」
三百毫秒。周牧野在心裡默念這個數字，這意味著從用戶說完話到系統給出反饋，要在零點三秒內完成，幾乎要達到人類對話的無感延遲。
「林總，這…」周牧野張了張嘴，想說這幾乎是不可能完成的任務。
但林辰那雙眼睛看著他，平靜得像一潭深水，卻又帶著某種讓人無法質疑的魔力。
「周總監，我立項的時候說過，天音項目不是要做一個玩具，不是要做一個只能設鬧鐘查天氣的噱頭。我要的是下一代人機互動的入口。
明年，深藍系統的裝機量很可能會突破五千萬，後年可能會過億。當用戶習慣了動嘴不動手，誰掌握了語音入口，誰就掌握了移動網際網路的下一個時代。」
他伸手拍了拍周牧野的肩膀：「技術路徑你不用擔心，按我說的方向走，該突破的瓶頸，會在該突破的時候突破。你現在要做的，就是把團隊擴到一百人以上，分三個小組並行，聲學組、語義組、工程組。錢管夠，人管夠，我只看結果。」
周牧野看著林辰，忽然想起自己入職那天，林辰在辦公室里對他說的話：「跟著我，你會做出改變世界的產品。」
當時他覺得這年輕人狂妄。
但現在，看著這個比自己小了將近十歲的男人，他莫名其妙地覺得…也許真能做到。
「明白，林總。我等會就改技術路線圖。」