如何搞懂电话机器人的工作原理

 智能语音机器人工作原理

NLP vs NLG：聊天机器人的工作方式

人类谈话涉及双向沟通的方式，聊天机器人也一样，只是沟通渠道略有不同——您是与机器交谈。当给机器人发送消息时，它会将其拾取并使用NLP，机器将文本转换为自身的编码命令。然后将该数据发送到决策引擎。

在整个过程中，计算机将自然语言转换为计算机理解的语言，处理，识别语音。语音识别系统常用的是Hidden Markov模型（HMM），它将语音转换为文本以确定用户所说的内容。通过倾听您所说的内容，将其分解为小单元，并对其进行分析以生成文本形式的输出或信息。

此后的关键步骤是自然语言理解（NLU），如上文所说，它是NLP的另一个子集，试图理解文本形式的含义。重要的是计算机要理解每个单词是什么，这是由NLU执行的部分。在对词汇、语法和其他信息进行筛选时，NLP算法使用统计机器学习、应用自然语言的语法规则，并确定所说的可能的含义。

智能语音机器人工作原理

另一方面，NLG是一种利用人工智能和计算语言学生成自然语言的系统。它还可以将该文本翻译成语音。NLP系统首先确定要翻译成文本的信息，然后组织表达结构，再使用一组语法规则，NLG就能系统形成完整的句子并读出来。

应用

语音助手只是NLP众多应用程序之一。它还可用于网络安全文章、白皮书、科研等领域。例如，NLP对在线内容进行情绪分析，以改进服务并为客户提供更好的产品。

而NLG通常用于Gmail，它可以为您自动创建答复。创建公司数据图表的描述说明时，NLG也是很好的工具。

说NLP和NLG完全不相关，也不正确，因为NLP和NLG相当于学习中的阅读、写作过程，还是有内在关联的。

一般智能语音助理或语音机器人工作原理大致如下：

第阶段：语音到文本的过程。信号源→设备（捕获音频输入）→增强音频输入→检测语音→转换为其他形式（如文本）

第二阶段：响应过程。处理文本（如用NLP处理文本，识别意图）→操作响应。

在检测语音过程中，就包括分辨是否为语音信号，该过程会通过指定的频率对模拟信号进行采样，将模拟声波转换为数字数据。这一过程很重要，是否成功地识别语音。如果生成数字数据都是错误的，那么后期的处理响应那肯定是错的。这也是影响智能语音助理或语音机器人识别率的重要因素。

在这个过程，用于语音处理的技术是语音活性检测 （Voice activity detection，VAD），目的是检测语音信号是否存在。 VAD技术主要用于语音编码和语音识别。它可以简化语音处理，也可用于在音频会话期间去除非语音片段：可以在IP应用中避免对静音数据包的编码和传输，节省计算时间和带宽。

与大家分享VAD技术，首先讲两个概念：

信噪比（缩写为SNR或S / N）是科学和工程中使用的一种度量，它将所需信号的电平与背景噪声电平进行比较。SNR定义为信号功率与噪声功率之比，通常以分贝表示。比率高于1：1（大于0 dB）表示信号多于噪声。

窗口，研究信号源，我们将其分成滑动窗口或仅窗口。

智能语音机器人工作原理

能量检测器

能量检测器对于高SNR信号是有效的，但是当SNR下降直到它在1以下变得无效时失去效率。它也不能将语音与诸如冲击噪声（将笔放在桌子上），打字，空调或任何噪声之类的噪声区分开来。比人声更响亮或更响亮。

波形和频谱分析

在波形和频谱分析中，语音活动检测利用语音的已知特征。在该方法中应用VAD比基于能量的解决方案更加计算密集，但是能够更好地检测非平稳噪声和低SNR场景中的噪声。对于浊音音素，声带的振动产生谐波丰富的声音，具有50到250 Hz之间的明显音调。所有元音，但也有一些辅音，表现出这种谐波结构，因此是语音的特征。代表谐波结构的特征是语音的可靠指标。然而，单独使用基于谐度或基于音调的特征不能预期无声语音部分（例如一些摩擦音）被检测到。此外，音乐或其他谐波噪声分量可能被误解为语音。总的来说，对信号的倒谱的分析可以揭示信号能量的来源。同样的，基于该共振峰结构，也是语音识别系统的重要特征。人类声道中的可变腔允许扬声器形成不同的音素。强调谐振（或共振峰）频率，导致频谱包络的特征形状。平滑很重要，在一个对话中，一个人只有50％的时间在说话，并且存在大量非活动帧。诸如［p］ ［t］ ［k］ ［b］之类的音是静音，并且静音部分可能不会被算法识别为语音，这将影响自动语音识别系统的性能。解决方案如下：

要被视为语音，必须至少有3个连续的窗口标记语音（192ms）。它可以防止短暂的噪音被视为语音。

要被认为是沉默，必须至少连续3个窗口标记为静音。它可以防止过多的语音切入影响语音节奏。

如果窗口被认为是语音，则前3个窗口和3个窗口被认为是语音。它可以防止在句子开头和结尾丢失信息。

基于统计分析

MFCC，FBANK，PLP是常用的语音识别功能。有数学运算的连接，旨在通过保持相关的数据来减少和压缩信息的数量。

在“信号源→设备（捕获音频输入）→增强音频输入→检测语音”过程中，语音成功采样识别为数字数据，是后期语言处理的前提，在检测中文面临更大挑战，断句、语气、语调等因素直接影响识别率。

​