語音辨識語意分析智能語音機器人語音合成 voicebot

初探智能語音機器人

彭福彬 Willie Peng 2021/12/20 10:12:27

2 1831

什麼是智能語音機器人

「智能」「語音」機器人就是你可以直接跟它講話，它聽得懂你講了什麼，並依照你講的話來思考如何回應，然後講出來給你聽。

這樣的機器人可能出現在一個顯示器上的可愛玩偶，或是當你打電話到客服中心時，在另一頭跟你對話的專業客服。

這樣的機器人有3大核心關鍵，就是 :

1.「聽得準」: 要能接收使用者的聲音，並且辨識出聲音的文字內容。比如使用者講了「我要去金門」，機器人不能聽成「我要去廈門」。也就是說，機器人要有「聽得準」的耳朵。

2.「能理解」: 要能依照使用者講話內容去產生回應結果，也就是說要去判斷使用者的意圖與需求，然後做出最適當的反應。比如說使用者講了「我要去訂票」，機器人就要能夠判斷使用者的意圖是想要訂票，然後產生回應結果「好的，請問您的出發日期?」。也就是說，機器人要有「能理解」的大腦。

3.「很會講」: 當機器人的大腦產生回應內容後，接下來就是要能夠正確把內容講出來，讓使用者能夠聽得懂。也就是說，機器人要有「很會講」的嘴巴。

機器人是這樣運作的

要做到上述的核心關鍵，背後需要2大核心技術的支撐，分別為語音處理技術以及語意分析技術，並利用這些技術來開發3大主要功能，透過功能間的串連合作，讓機器人得以順利運作。

1. 語音辨識功能：透過語音處理技術中的語音辨識技術，稱為Speech To Text (STT) 或Automatic Speech Recognition (ASR)，來開發語音辨識功能，去辨識語音內容並轉換成文字。此功能要考量 :

(1). 語音來源與辨識率 : 機器人所要接收的語音來源，通常可分為8K Hz與16K Hz等兩種取樣頻率。一般而言，8K Hz的辨識率會稍差於16K Hz。辨識率的計算指標則以WER與CER較為常用，這兩個指標都是計算錯誤率，所以數值越低則辨識效果越好。

(2). 語音來源串接 : 這會取決於機器人所要支援的語音裝置與通話管道，大致上可分為2類 :

n 一般電話 : 使用者撥打電話，並由後端的電話系統(例如IVR)負責接收處理。此時，語音辨識功能必須要與電話系統串接，取得語音串流以進行辨識處理。例如透過MRCP協定來進行串接。

n 數位程式 : 使用者使用行動APP與網站系統等數位程式，並透過手機或電腦上的語音功能來講話。此時，語音辨識功能必須要與這些數位程式串接，取得語音串流以進行辨識處理。例如透過REST協定來進行串接。

(3). 語音辨識模型 : 語音辨識模型是語音辨識功能的核心，主要包含聲學模型、語言模型、逆文本規整等技術，一般會採用名詞、語料以及音檔標註來進行模型訓練，讓模型可以解析聲音並判斷出最適合的對應文字。

(4). 專有詞句處理 : 除了辨識一般性的語音內容，使用者與機器人對話的過程中往往會出現一些專有名詞或語句，例如產品名稱、活動名稱、公司名稱、姓名、活動口號等。這些專有特殊的詞句需要經過特別的處理辨識，才能得到正確的辨識結果。透過事先建立的詞彙庫、語料庫或名單來做為辨識參照是常見的做法。

2. 語意分析功能：透過語意分析技術中的自然語言處理技術，稱為Natural Language Processing (NLP)，來開發語意分析功能，去解析語音辨識後的文字，並搭配此機器人所要提供的服務與對話流程，運算出要回應的文字內容。此功能要考量 :

(1). 對話服務規劃

智能語音機器人可提供的對話服務可分為進線服務(inbound)與外撥服務(outbound)兩大類，進線服務是指使用者撥打電話進線，由機器人接聽並提供服務。常見的進線服務包含總機轉接、服務導航、資訊查詢、訂票(位)、申請作業…等，甚至是證券下單、保險投保或是醫療掛號等產業的個別應用。外撥服務是指由機器人主動撥打電話給使用者並提供服務，常見的外撥服務包含資訊告知、事項提醒、訪談調查、銷售推廣…等，甚至是銀行帳單催繳、保險保單回訪、證券成交回報、服務滿意度調查等產業的個別應用。

(2). 對話方式設計

智能語音機器人僅透過語音對話的方式與使用者進行互動，並沒有視覺上的呈現介面。所以當語意分析功能要運算出回應結果時，此回應結果中的對話方式必須要能清楚明確地透過語音來表達，常見的對話方式如下 :

項目		用途	例句
1	資訊提供	引導使用者提供特定項目內容，項目數以3個以內為宜。	請說出您的身分證字號與出生年月日。
2	選項選擇	引導使用者決定某個選項。選項數不可過多，以5個以內為宜。	請問旅遊地點是國內還是國外?
3	是否決定	引導使用者於是否2種狀況下決定其中一種。	請問是否要加訂回程?
4	複誦確認	用於複誦使用者所提供資訊，並請使用者再次確認是否正確。	您的身分證字號為E999999999，請確認是否正確?
5	宣告訊息	宣告特定資訊內容，常用於服務開始時的訊息告知，或是服務結束前的結果告知。	線上已投保成功，5-10 分鐘後手機會收到投保成功簡訊。
6	加強描述	針對特定內容加入描述說明，協助使用者能確實瞭解該內容。	您的編號是國字七英文E數字1。
7	請求重複	引導使用者再重複提供一次資訊。	很抱歉，您提供的資訊無法辨識，請再說一次。
8	轉接真人	用於使用者之服務需求非機器人所能服務之範圍，改由真人服務。	您好，將改由客服人員為您服務。
9	按鍵要求	針對重要資訊需要使用者按下按鍵來進行確認。	委買台積電600元3張正確請按1，錯誤請按2。
10	條列說明	用於說明多筆資訊，以逐筆方式來說明各筆內容。	您好，您的資料有兩筆，第一筆是XXX，第二筆是XXX。

(3). 整體流程控制

語意分析功能扮演大腦的角色，依照使用者的服務需求與對話，控制服務流程與回應內容。常見的流程控制動作如下 :

項目		運用狀況	動作回應
1	正常回應	可以識別對話的意圖與實體資訊，並符合某項之服務項目。	依照該服務之流程來決定回應對話內容。
2	多輪跳轉	可以識別對話的意圖與實體資訊，但服務需求已不屬於原有服務範圍。例如原本正在報失物品遺失，中間要求查詢遺失物是否被尋獲。	紀錄原有流程的資訊，再切換至新的服務流程，完成後切換回原有流程來繼續往下。
3	外部介接	需要介接外部系統取得資訊，或是需要將資訊傳遞給外部系統，已完成後續動作。	取得外部系統的回傳資訊，依照目前服務流程來產生回應對話內容。
4	要求重講	當使用者對話無法被正確辨識或是使用者一直沒有講話時。	發出要求重講對話內容，例如「請再說一次」。
5	轉接真人	當系統判斷符合特定條件時，例如無法繼續提供使用者所需服務，或使用者對話出現某些關鍵字詞。	串聯真人客服系統，改由真人接手與使用者對話。
6	流程串聯	服務需求除了透過語音對話來完成外，尚需要串聯其他方式的作業流程，例如到網頁填寫資訊。	依照要串聯的流程來產生回應對話內容。例如後續需要到網頁填寫資訊，可以發信連結簡訊或告知連結等方式來引導使用者。
7	結束服務	當使用者需求之服務已完成或是當使用者一直沒講話且已多次提醒並要求重講。	發出結束對話之回應內容，並結束本次服務。