揭秘Siri背后的技术

揭秘Siri背后的技术

浏览次数： 142次 2011年10月26日 Sigma 字号: 大 中 小

分享到： QQ空间 新浪微博 腾讯微博 人人网 豆瓣网 开心网 更多 0

今年10月，Apple发布了iphone 4S with IOS 5,其中最大的亮点就是一个语音搜索软件-Siri。一时间，各种geek，伪geek，码农，非码农都流行起调戏siri，各种调戏视频，音频大量出现。不过，常言道“外行看热闹，内行看门道”，作为一个“伪内行”，或者“欲做内行而不得”的人，根据自己的知识，以及一些搜索工具，尝试了解了一下Siri的“门道”，在这里做个总结，列出siri所可能用到的技术。

今年10月，Apple发布了iphone 4S with IOS 5,其中最大的亮点就是一个语音搜索软件-Siri。一时间，各种geek，伪geek，码农，非码农都流行起调戏siri，各种调戏视频，音频大量出现。不过，常言道“外行看热闹，内行看门道”，作为一个“伪内行”，或者“欲做内行而不得”的人，根据自己的知识，以及一些搜索工具，尝试了解了一下Siri的“门道”，在这里做个总结，列出siri所可能用到的技术。

Siri是IOS上的个人助理应用：此软件使用到自然语言处理技术，使用者可以使用自然的对话与手机进行互动，完成搜寻资料、查询天气、设定手机日历、设定闹铃等服务。（来自 维基百科）

Siri所用到的技术，很多人会回答，人工智能以及云计算，的确，总体来说，是这两样技术，不过，这种概述感觉几乎没有任何意义，和不直接说“计算技术”（注意，不是计算机技术）呢。因此，在本文，我将介绍下我了解Siri可能采用的技术。

首先，在前端方面，即面向用户，和用户交互（User Interface，UI）的技术，主要是语音识别以及语音合成技术。语音识别技术是把用户的口语转化成文字，其中需要强大的语音知识库，因此需要用到所谓的“云计算”技术。而语音合成则是把返回的文字结果转化成语音输出，这个技术理论上本地就能完成（以前用过科大讯飞的在windows mobile上的本地语音阅读软件，软件很小，但能读的很好，还支持方言），但不知道Siri是否如此，当然，在云端完成也并无不可，在当前无线带宽下，那点语音流量根本不算什么。

其次，后台技术，这些其实才是真正的大角色（当然，普通用户是不会在意的，他们只会觉得前端很炫，哎，这就是做后端的悲哀，小小感叹一下）。这些技术的目的就是处理用户的请求，并返回最匹配的结果，这些请求类型很多，千奇百怪，要处理好并不简单。基本的结构猜测可能是分析用户的输入（已经通过语音转化），根据输入类型，分别采用合适的技术（合适的技术后面）进行处理。这些合适的后台技术包括，①以Google为代表的网页搜索技术；②以Wolfram Alpha为代表的知识搜索技术（或者知识计算技术）；③以Wikipedia为代表的知识库（和Wolfram Alpha不同的是，这些知识来自人类的手工编辑）技术（包括其他百科，如电影百科等）；④以Yelp为代表的问答以及推荐技术。
下面，对上面提到的各种技术进行简要介绍（如有空，后面的博文可能会对某些技术详细的介绍，大家耳熟能详的就免了），强调下，介绍的有些参考来源是维基百科相关词条，下面不一一列出：

语音识别以及语音合成技术语音识别技术，也被称为自动语音识别（英语：Automatic Speech Recognition, ASR），其目标是将人类的语音中的词汇内容转换为计算机可读的输入，例如按键、二进制编码或者字符序列。与说话人识别及说话人确认不同，后者尝试识别或确认发出语音的说话人而非其中所包含的词汇内容。语音识别技术所涉及的领域包括：信号处理、模式识别、概率论和信息论、发声机理和听觉机理、人工智能等等。

语音合成是将人类语音用人工的方式所产生。若是将电脑系统用在语音合成上，则称为语音合成器，而语音合成器可以用软/硬件所实现。文字转语音(text-to-speech, TTS)系统则是将一般语言的文字转换为语音，其他的系统可以描绘语言符号的表示方式，就像音标转换至语音一样。

相比于语音识别，语音合成感觉难度要低，并且基本能够在本地完成（很多OS都有内置的语音合成引擎）。而语音识别，由于涉及到语义理解，难度大大加大，需要大量的知识库，一般需要在云端完成。

另外，在国内，这方面做的很好的公司也有，比如鄙人本科所在学校的科大讯飞，就是中文语音合成以及识别的领军企业,在英文语音合成领域其实也很牛，拿过很多奖。国外的话，比较早的应该是IBM ViaVoice。

网页搜索技术这个我想没必要介绍，大家天天用的Google就是这个技术的代表。而国内的话，则以百度为代表。

知识计算（搜索）技术（Computational Knowledge）这个技术的代表是Wolfram|Alpha。

不同于搜索互联网信息，Wolfram|Alpha将从公众的(包括公开的网页等)和获得授权的资源中，发掘、建立起一个异常庞大的经过组织的数据库，再利用高级的自然语言算法进行处理，最终构造出一个类似于谷歌搜索的工具。

和网页搜索技术不同的是，在这个系统中，得到的答案结构化程度很高，比如搜索China，能得到和中国相关的各种参数以及资料，并以接近表格的方式呈现。Wolfram|Alpha也能理解部分自然语言，比如输出How old are you，其会回答Wolfram|Alpha的年龄。想测试这项技术的请移步Wolfram|Alpha。

这个技术国内做的应该有，但还没有产品，也许百度的框计算算是半个。所以机会大大的有。

知识库技术这名字是我自己起的，不知道有没有贻笑大方。。。这个技术的代表是维基百科，以及各种专门的百科网站。相比于网页搜索技术，基本以一个词条或者主题为单位，因此得到的数据价值高，知识量大，并且结构化程度好。相比于知识计算技术，这些技术需要人的参与，这有利也有弊，利就是，毕竟暂时人比机器聪明，编辑出来的知识更丰富，准确；弊就是，人力有限，即使像维基那样，发动社区的力量，也不能产生足够的知识，而知识计算，理论上，只需要算法够牛叉，是可以产生“无限”的知识的。

另外，写到这里，我想起Yahoo和Google的故事，当年，Yahoo是搜索老大，就像现在的Wekipedia在知识搜索领域一样，而Google是小弟，就像Wolfram|Alpha在知识搜索领域一样。但后来，却反过来了，Googe成了网页搜索老大，Yahoo成了小弟，原因就是Google相信算法的结果，把所有事都交给算法做，而Yahoo，很多索引都是人工编辑的。我想，也许有一天，Wekipedia和Wolfram|Alpha也会出现这样的情况。

问答推荐技术其实这不能称为一个技术，应该属于知识库的技术。不同的是，这个技术针对的是一些生活信息，这些信息的地域化程度很高，典型代表为Yelp。由于这东西比较简单，就不仔细介绍了。

其实在国内，这方面的网站也有，那就是大众点评网这些。

读完此文，你也许会发现，其实Siri并没有什么革命性的技术，其本质是将各种已经比较成熟的技术融合成一个产品，最终呈现给用户，因此，完全没必要对Siri神圣化。

另外，Siri其实是苹果买来的，在苹果买来之前，Siri本来是会推出Android版本的，可是，被苹果购买后，Android版本的Siri遥遥无期了（不过，这为广大的Android开发者以及公司提供了机会）。而Siri之前默默无闻，但是一从苹果推出，却声名鹊起，不得不佩服Apple以及Jobs的眼光以及执行力。