近日，谷歌宣布推出Google Duplex，一個能在電話中用自然語言完成“現(xiàn)實世界”任務(wù)的對話AI。它目前已經(jīng)能完成一些特定任務(wù)，如安排某些類型的預(yù)約。這類工作要求系統(tǒng)能像人與人正常溝通一樣，而無須強(qiáng)制對方適應(yīng)機(jī)器。

據(jù)悉，Google Duplex的研發(fā)核心是一個專用于解決自然對話問題的遞歸神經(jīng)網(wǎng)絡(luò)（RNN），在TensorFlow Extended （TFX）平臺上完成構(gòu)建，使用的訓(xùn)練數(shù)據(jù)來自匿名電話會話數(shù)據(jù)語料庫。該網(wǎng)絡(luò)有多個輸入，包括原音頻特征、把原音頻輸入Google自動語音識別（ASR）技術(shù)后的輸出、上下文、對話的參數(shù)（例如預(yù)約的所需服務(wù)或當(dāng)前時間）等，研究人員為每種任務(wù)分別訓(xùn)練了一些模型，但語料庫是跨任務(wù)共享的。最后，他們又用TFX中的超參數(shù)優(yōu)化進(jìn)一步改進(jìn)了模型。

Google Duplex組合使用文本到語音（TTS）引擎和綜合TTS引擎（使用Tacotron和WaveNet）控制語調(diào)。

由于在對話中加入了“嗯”“呃”等字，系統(tǒng)的回應(yīng)聽起來更自然。但這其實是TTS連接兩個音調(diào)不同的聲音或正在等待合成時使用的小障眼法，是一種自然的表示問題正在受理中的狀態(tài)（人們也經(jīng)常這么做）。經(jīng)過用戶研究，研究人員發(fā)現(xiàn)這種反應(yīng)能在不利的對話情景下給對方帶來熟悉、自然的感覺。

此外，Google Duplex在回應(yīng)速度方面也比較符合用戶期望。當(dāng)人們說完一件簡單的事后，比如“hello”他們希望得到及時的回復(fù)，對回復(fù)延遲也比較敏感。如果系統(tǒng)檢測到這種情況，它會馬上切換成更快、精度更低的模型來工作。在極端情況下，Google Duplex甚至都不會調(diào)用RNN，而直接使用最快的近似值（通常會帶各種表示猶豫的詞匯，人類面對這種事情也會有類似的反應(yīng)）。這種做法使系統(tǒng)的響應(yīng)延遲能小于100毫秒。

Google Duplex系統(tǒng)能夠應(yīng)對復(fù)雜對話，并且能完全自主地完成絕大部分任務(wù)，無須人工干預(yù)。該系統(tǒng)具有自我監(jiān)控功能，可以識別無法自動完成的任務(wù)（例如安排異常復(fù)雜的預(yù)約），面對這種情況時，它會主動向施令者發(fā)出信號。