語音人機互動在各個運算時代下的發展 | Feb. 2018 威盛 OLAMI | 智慧家庭生活服務業交流會

AI 時代下的新使用者介面 - 語音人工智慧
h t t p : / / o l a m i . a i
威盛電子股份有限公司
Ryan Hang , 2018-02-09

人工智慧
• 人工智慧（Artificial Intelligence, AI）一詞最早起源於 1950 年代
• 1980 年代研究領域轉為（Machine Learning）
• 2006 年深度神經網路（Deep Neural Network, DNN）發表
• 2012 年深度學習（Deep Learning）大爆發

使用者介面（User Interface）的演進

語音人工智慧
語音辨識＋自然語言理解＋多輪互動＝新一代的使用者介面

OLAMI 人工智慧平台
以人工智慧創造新一代的 “ 中文語音人機互動使用者介面 ”

VIA Technologies, Inc. ｜ http://olami.ai
語音辨識
Voice Recognition
電腦視覺
Computer Vision
語言理解
Language
Understanding
語音命令檢測
Voice Commands Recognition
視線檢測
Eye Gaze Detection
即時目標檢測
Real-Time Object Detection
機器認知
Machine Cognition
自然語言語意理解
Natural Language Understanding
雲端語音辨識
Cloud Speech Recognition
人工智慧雲
AI Cloud Service
OLAMI 是一個多元化的 AI 軟體開發平台
提供給 A I 產品開發者的軟體開發解決方案包含了視覺，聽覺，以及語言理解領域
自然語言語意互動
Natural Language Interaction

以台灣中文為主的混合辨識引擎
 台灣在地化的用語
 解決“台灣國語”的口音問題
 國台語混合 or 國語＋台語＋英文混合
 台語辨識（中國大陸閩南語不完全等於台語）

當語音人工智慧遇上 IoT／AIoT

離線／嵌入式語音辨識
• 快速、不需要網路（Low latency and no internet needed）
• 命令詞辨識（Voice Command）
• 語音喚醒（Hotword Detection）
• 回聲消除（Acoustic Echo Cancelling；AEC）

遠場拾音技術
( Far-Field Voice Recognition )
 單路麥克風
 麥克風陣列（Microphone Array）
 5 公尺內精準辨識

運算
時代的演進
那朵雲將離你越來越近

Device Cloud
曾經
far away
latency
• Local Computing（盡力就好） • Cloud Computing（很大力）
• Big Data

Device Edge Cloud
• Edge Computing（費點力）
• Big Data
現在
• Local Computing（盡力就好）
低延遲
距離短
latency
• Cloud Computing（很大力）
• Big Big Big Data

Device Cloud
• ASR｜STT（聲音轉文字）
 大模型、辨識範圍廣
• NLP（自然語言處理）
 大模型、理解範圍廣
語音辨識（& NLP）呢？
• ASR（自動語音辨識）
 語音喚醒 or 命令詞（極小模型）
 簡易的辨識（小模型，能力有限）
 語音合成（TTS）

Device Cloud
80% ~ 90%
語音互動的分工合作
10%
註：數值僅為舉例，非實質數據。

Device Edge Cloud
• ASR｜STT（聲音轉文字）
 中等模型、固定範圍
 中等模型、固定範圍
語音現在可以怎麼做？
• ASR（自動語音辨識）
 語音喚醒 or 命令詞
 簡易的辨識
 語音合成（TTS）
• ASR｜STT
 大模型、辨識範圍廣
 大模型、理解範圍廣
低延遲
當超出理解
範圍時
latency

Device Edge Cloud
語音藉由 Edge 可以怎麼分工合作？
低延遲
當超出理解
範圍時
30% ~ 40%10% 50% ~ 60%
latency

Device Edge Cloud
高階的車用語音場景
低延遲
當超出理解
範圍時
• 較為複雜的語意的操作
e.g.
 {空調} {降} 到 {20} 度
 {副架} {車窗} {打開} {一半}
 {音樂} {聲音} {小} 一點
• 語音喚醒
• 簡易的固定命令詞
e.g.
 開導航
 聽廣播
• 語音合成（TTS）
• 更為複雜的語意操作
e.g.
 有沒有周杰倫的歌能聽？
 距離最近的加油站在哪？
 車子胎壓是不是不太對勁？
Client（車內）
內部網路

Device Edge Cloud
智慧家庭（智能家居）語音場景
低延遲
當超出理解
範圍時
• 較為複雜的語意的操作
e.g.
 來首 {輕快的} {音樂}
 {空調} {降} 到 {20} 度
 把 {廁所} 裡的 {燈} {打開}
 {兩小時} 後 {關掉} {除濕機}
• 語音喚醒
• 簡易的固定命令詞
e.g.
 開燈
 關冷氣
• 語音合成（TTS）
• 更為複雜的語意操作
e.g.
 有沒有周杰倫的歌能聽？
 看看外面是誰按鈴？
 附近哪個餐廳有促銷？
 紅燒獅子頭需要什麼材料？
Client（家裡 & 樓層／大樓／社區）
內部網路

Device Edge Cloud
語音應用不遠的將來 …
低延遲
當超出理解
範圍時
30% ~ 40%10% 50% ~ 60%
latency
60% ~ 70%
對某些場域來說甚至足以 100%
低功耗平台

天下武功，唯快不破！
由 D N N 持續不斷的快速發展所帶來的恩惠，
AI Local Computing 技術成熟的時機已越來越近。
低功耗地端運算超低延遲、低成本的特性，
將會是智慧家庭產業成員成長的重要關鍵之一
而我們相信，這一天很快就會來到！

案例：台灣國語口音辨識
https://youtu.be/WETAN1fP1Hk示範影片 :

語音智能家居示例
• 以自然語言控制各式家電設備。
• 噪聲（例：淨化機的風噪聲，圖中右方）
環境下的精準辨識。
示範影片 :
https://www.youtube.com/watch?v=j-TkKYgKa0Q

挑戰孩子們
模糊的語意及發音
• 陪伴型語音智慧喇叭應用場景：
• Far-Field 遠距離收音 & 語音喚醒。
• 閒聊（自然語言理解）。
• 講故事、聽音樂。
• 學習數學。
• 多人語音訊息傳送與互動。
https://youtu.be/AiUfFRMhHKE
示範影片 :

• Hands-Free 全語音操作。
• 取代傳統鍵盤輸入作業。
• 大幅降低護理人員工作量及時間。
• 中英文混合專用詞彙辨識。
案例：智慧醫療應用
語音輸入護理日誌
• 嘴唇無發紺
• 鼻胃管留置
• heart rate 是 86
• follow sugar 狀況
• 有 O2 mask 5L 使用

離線語音辨識案例 - AfoBot • 阿福寶 ( 2018 )

OLAMI 深度學習引擎：影像辨識 - 應用案例 I
• 基於 Deep Learning 訓練的視線檢測模型，辨識人臉視線（是否在看你）：
• 應用於機器人：讓 Robot 理解 User 是否正在看著它。
• 結合語音互動：當 User 看著 Robot 時，進行語音對話（無須經過語音喚醒的步驟）。
Gotcha !
示範影片：https://youtu.be/RxPNDiG7Sls
No No

Eye/Gaze + Face Detection
她正在移動
可跟隨
Camera 拍攝畫面
示範影片：https://youtu.be/KaeKmwbKDhI

Thank You !
h t t p : / / o l a m i . a i
關注「OLAMI 人工智慧開放」粉絲團掌握最新應用與發展
👉 👉 👉 @ai.olami

語音人機互動在各個運算時代下的發展 | Feb. 2018 威盛 OLAMI | 智慧家庭生活服務業交流會

More Related Content

Similar to 語音人機互動在各個運算時代下的發展 | Feb. 2018 威盛 OLAMI | 智慧家庭生活服務業交流會

語音人機互動在各個運算時代下的發展 | Feb. 2018 威盛 OLAMI | 智慧家庭生活服務業交流會

Editor's Notes