怎样用声纹识别,提升智能硬件产品的用户体验?-转

一、背景

当前智能硬件产品中,最耀眼的莫过于百箱大战的智能音箱、百“机”争鸣的智能机器人,这些智能语音产品已逐渐走进百姓的视线中。

在智能音箱市场中,且不说国外的Amason Echo和Google Home,仅在国内,去年双十一,天猫精灵99元跳楼价卖了一百万台,还有铺天盖地而来的小爱同学、叮咚音箱、小雅同学、出门问问等。

今年,百度推出比天猫精灵还低10元的小度智能音箱,仅卖89元,烧钱大战一个比一个狠。在智能机器人市场也同样打得火热,这类智能音箱和智能机器人最明显的特点,就是采用了语音作为全新的交互方式,力图打造更接近于人与人交流的方式。

然而,大部分智能语音产品只能识别出说话的内容,对于相同的问题都会给出相同的反馈信息。虽然交互方式是智能的,但交流方式仍然不够智能。

所谓交流,即有明确对象,和不同对象交流应有不同的回应,闻声即可识人,这才是更智能的体验。声纹识别,正是可以实现这种闻声识人的技术手段。

本文将谈谈在智能音箱、智能机器人等此类以语音为主要交互方式的智能硬件产品中,除了提升语音识别准确率、语义理解效果外,怎样使用声纹识别来进一步提升用户体验,让智能产品更加智能。

二、应用场景

场景是需求的灵魂,抛开场景谈需求都是耍流氓!

我们先对场景分分类,声纹识别作为身份验证的一种手段,根据不同的安全性要求,我们将应用场景分非关键应用场景和关键应用场景。

非关键应用场景:即那些对安全性要求不高,即使误识也不会产生明显不良影响,但对用户体验要求较高的场合,如:猜猜说话人是谁、个性化的服务推荐(歌曲推荐、餐厅推荐等);关键应用场景:这类应用场景有明显的安全性要求,不能容忍有误识情况,误识会带来明显的不良影响,如:一些重要的权限控制(家电开关控制等)、声音购物支付等,这类型场景会牺牲一部分用户体检以保证安全性,毕竟鱼和熊掌不可兼得!

三、应用设计

声纹识别在应用上分为注册和验证两个流程,如下图所示:

在智能音箱和智能机器人(家庭陪伴机器人)的产品中,声纹识别其实就是1:N的应用(N的值一般小于10),音箱和机器人一般都会有一个名字,即唤醒词,就如同人的名字一样,以下设计我们暂且给智能硬件起个名字叫“你好同学”。

1. 声纹注册流程设计

声纹注册是开启闻声识人的第一步,注册者先说几句话,系统自动将其中的声纹特征提取出来作为说话人身份的ID,这个过程如同像陌生人做自我介绍一样,介绍完大家就认识你了。

虽然声纹注册流程必不可少,但产品设计上却希望这个流程越简单越好,最好是不需要注册这个环节(当然这是不可能的!!!)。

在做注册流程设计前,我们先搞清几个问题:

(1)注册入口在哪里?

目前的智能语音产品在交互方式上,除了用语音,还会分为带显示屏和不带显示屏,即有部分带有视觉交互。

所以,注册入口可分为三种:

直接在设备上使用语音方式作为注册入口,即直接对设备说:你好同学,我要注册声纹;在设备配套的APP上设置注册入口,适合无屏的设备;在设备自带的屏幕上设置注册入口,类似APP方式。

(2)在哪里采集注册录音?

对于注册入口在APP上的情况,我们需要搞清楚录音采集是在设备上,还是在手机上。

一般来说,无论注册入口在哪里,最终的验证入口都是在设备上,为了避免在不同设备上录音效果不一样,造成验证准确率下降(我们叫这种现象叫信道失配,即注册信道与验证信道不一致而带来的准确率下降的现象),我们会直接在设备上进行注册录音的采集。

当然,你非得在APP上录音,也是可以的,呵呵!

(3)非关键应用和关键应用是否需要单独注册?

理论上来说,注册语音越长,识别效果越好,但也需要考虑到用户体验。所以,我们可以将注册流程设计为基础注册+加强注册,其中基础注册满足非关键应用场景,加强注册主要是考虑到关键应用场景的安全性问题。

(4)声纹注册上还有哪些需考虑的点?

智能音箱和机器人一般都是远场语音应用,交互距离最大可达5米,同时也覆盖了近场语音,所以在说话人离设备的距离不同时,采集的语音质量也会存在差异。对语音识别来说可能不会有太多的影响,但对于声纹识别来说,会造成声纹特征的损失。所以在注册时还需要考虑不同距离,比如:0.5米、3米、5米等。

另外,还需要考虑说话的音量、语速等因素,相信随着识别算法的提升,这些因素都将不会成为产品设计的考虑点。

(5)声纹注册有哪些表现形式?

在注册的表现形式上,可分为两种:

引导式注册:根据界面或语音提示,引导用户一步一步进行注册,这是最为常用的方式,也是目前最合适的方式。无感知注册:即不需要指定用户执行注册流程即可完成声纹注册,打破常规的声纹注册-声纹验证的应用流程,在使用过程中自动完成声纹注册,直接实现“听声辨人”,最大限度提升用户体验。我们下次再来详细讲一下这种无感知注册。

2. 声纹注册流程

3. 原型设计参考

以带屏设备上或APP上注册为例,原型仅供参考,在真实项目中仍需要考虑更多的交互细节。对于注册内容,一般建议使用“唤醒词+常用短语”的方式。当然,如果追求更简洁的注册方式,也可以只读两次唤醒词。

4. 声纹验证流程设计

在声纹验证环节,一般通过纯语音交互来完成,我们按非关键应用场景和关键应用场景来设计。

(1)非关键应用场景验证

最常用的自我身份验证:对设备说出“你好同学,猜猜我是谁”或“你好同学,我是谁”,设备根据声纹识别结果回应说话人,比如:设备回应:哎哟,你就那玉树临风、风流倜傥、迷死万千少女兼大妈的彭鱼宴。

非关键应用场景有非常多的玩法,主要围绕不同身份的个性化推荐来设计,具体大家可以根据实际产品及场景需求来思考。

另外,对于带屏的设备,一般都会具备摄像头,可以实现人脸识别功能。有些厂家可能会将人脸和声纹结合起来做身份验证,这种多维度验证确实能提高安全性,但建议只在关键应用场景下使用两者作为验证手段,在非关键应用场景中只使用声纹识别。毕竟如果每次问机器人我是谁时,还要自己找到摄像头正面看一会才能识别出身份,这样的体验非常不好。

(2)关键应用场景验证

此场景中,需要考虑二次身份核验,即在唤醒时已做一次身份识别,在说话人做出关键操作确定后,比如:确定购买商品,需要进行身份核验。

由于是纯语音交互,考虑到安全性,可采用读4位随机数字或唤醒词的方式来验证,此种情况下声纹识别必须具备活体检测功能,以防止通过录音的方式来假冒说话人声音。

(3)验证流程设计(实际流程远比这个复杂)

四、未来应用

虽然目前的智能硬件仍在不断完美语音识别和语义理解的效果,然而,我们相信增加声纹识别必定会大大提升智能设备的使用体验,同时亦可增加情绪识别、性别识别、年龄识别,让机器更懂你。

正如电影“her”中的萨曼莎,语音交互水平已达到了强人工智能水平,比与人类交互效果更好。因为her可以在一秒内检索完主人所提问题关联到相关知识信息,以更好给出回答,这是人类所不能达到的。要达到人类期望值中的语音交互效果,就必须让设备能够:听得清、听得懂、学得会、说得出。

期待“her”的出现!!!

作者:Micos,在人工智能浪潮中推波助澜的产品经理,致力于用智能语音实现人与机器最自然的交互方式。

你可能感兴趣的:(怎样用声纹识别,提升智能硬件产品的用户体验?-转)