| 蘋果為什么現(xiàn)在才開放Siri的語音搜索API？

　　1、開放給開發(fā)者需謹(jǐn)慎

　　SiriKit開放了Siri的語音搜索API，機(jī)制跟Google Android Voice 類似，后者都已經(jīng)上線兩年并早已支持十幾種領(lǐng)域，遠(yuǎn)超SiriKit現(xiàn)在發(fā)布的7個領(lǐng)域。而國內(nèi)的出門問問，因有Ticwear智能手表操作系統(tǒng)作為入口，早在去年年初就開發(fā)了類似的語義API，滴滴、支付寶、阿里小智智能家居等第三方廠商早已通過這種形式落地其手表操作系統(tǒng)。

　　在語音搜索API上，一般公司的做法都是極其謹(jǐn)慎的。不同于以科大訊飛為代表的“應(yīng)用內(nèi)”語音、語義API，蘋果、Google、出門問問這些API屬于“入口級”語音搜索API，即語音搜索是系統(tǒng)發(fā)起的而非在應(yīng)用內(nèi)發(fā)起，系統(tǒng)識別語音意圖并分發(fā)給第三方應(yīng)用。

　　一般這類“入口級”語音搜索API，會非常謹(jǐn)慎地先做好領(lǐng)域分類（Domain Classification），然后根據(jù)分出來的領(lǐng)域?qū)Я鹘o不同的應(yīng)用。所以，領(lǐng)域和領(lǐng)域內(nèi)意圖，一般要由系統(tǒng)事先定義好、并且優(yōu)化好語音、語義識別模型之后，才開放給第三方開發(fā)者使用。

　　2、現(xiàn)有語音識別API存在哪些技術(shù)瓶頸？

　　由于眾所周知的技術(shù)難度，現(xiàn)有的語音識別API還存在以下技術(shù)瓶頸：

　　首先，語音識別方面，訓(xùn)練一個可靠的語音識別需要領(lǐng)域內(nèi)的大量語言模型。

　　例如如果不將北京地名詞典這樣的領(lǐng)域知識輸入進(jìn)語音識別引擎，語音識別根本無法正確輸出類似于“簋（gui）街”這樣的不常見詞語。

　　其次，由于是“入口級”語音搜索，還要處理好不同領(lǐng)域之間的歧義。

　　例如“發(fā)微信給小蘋果讓她幫我打電話訂一輛出租車”，這句話對人類來說是再簡單不過了，但是對于現(xiàn)有的語義識別系統(tǒng)來說都是極具挑戰(zhàn)性的：這到底是要發(fā)短信呢？還是打電話？還是叫車？怎么還提到了歌曲“小蘋果”啊！

　　3、發(fā)布會上沒有提到的特色

　　不過，筆者也從官方文檔中驚喜地發(fā)現(xiàn)一個未在發(fā)布會上提及的特色。不同于Google Voice Action［1］，SiriKit發(fā)布第一版就允許開發(fā)者在一定程度上自定義語音命令。SiriKit允許開發(fā)者通過配置文件的方式自定義某一些詞的讀音、上下文例句、甚至語義含義，當(dāng)然，這些必須限定在這7大領(lǐng)域22個意圖框架內(nèi)。

　　如下面圖中例子所示：

　　圖中展示了一個名為“CardioBonaza”的健身應(yīng)用，其應(yīng)用支持一個名為“Cardio Craze”的健身項(xiàng)目，用戶可以通過Siri直接啟動CardioBonaza應(yīng)用并開始Cardio Craze健身項(xiàng)目上圖的配置文件通過以下幾方面幫助Siri識別有有關(guān)命令：

　　定義Cardio Craze是開始健身（INStartWorkoutIntent）這個意圖下面的workoutName這個屬性（注意，這個意圖以及意圖的指令都是包含在SiriKit那7大領(lǐng)域和22意圖內(nèi)的）。這樣一但識別出來，Siri會把Cardio Crazes識別成workoutName屬性傳給CardioBonazay應(yīng)用

　　定義Cardio Craze的發(fā)音以及可能出現(xiàn)的上下文，這有助于幫助Siri更準(zhǔn)確的語音識別這些不常用詞

　　通過定義Intent Phrase的一些例句，甚至可以影響Siri入口的領(lǐng)域分類（Domain Classification）

　　蘋果一向謹(jǐn)小慎微，這次SiriKit僅僅開放了7個領(lǐng)域，應(yīng)該是經(jīng)過充分的用戶調(diào)研和模型調(diào)優(yōu)。但實(shí)際使用中是否能夠勝任復(fù)雜的用戶自然語言，還需要等到真正發(fā)布之后好好體驗(yàn)。不過，SiriKit確實(shí)做了充分的準(zhǔn)備，準(zhǔn)備和開發(fā)者一起保證良好的語音交互體驗(yàn)。

　　| 什么是用戶真正需要的語音搜索？

　　除此之外，蘋果今天還發(fā)布了MacOS版本的Siri，可以在Mac上通過Siri去完成手機(jī)上的一些基本功能。比如聽歌、查天氣，以及一些為Mac筆記本開發(fā)的語音命令，比如查找某個文件、或者看看電腦還有多少剩余空間。

　　連同SiriKit，這應(yīng)該是Siri自從2012年發(fā)布以來最大的一次更新。

　　但我認(rèn)為，這次更新仍然乏善可陳。競爭對手Google本身擁有強(qiáng)大的AI研發(fā)能力和長期以來的技術(shù)積累，SiriKit做的這些事情從技術(shù)上來講都只是一直在追趕Google而已。

　　要做到如同Google Now一樣的智能，比如百科類問題的問答、智能推送［2］，蘋果還有很長的一段路要走。當(dāng)然當(dāng)前，不管是哪家的語音識別技術(shù)，從能力上來講并沒有質(zhì)的區(qū)別，人工智能語音搜索仍然是一個新鮮玩意，他的能力遠(yuǎn)低于人們的預(yù)期。在短期人工智能技術(shù)難以進(jìn)行質(zhì)的突破的情況下，像蘋果這樣謹(jǐn)小慎微地一步步往前走，慢慢地加入新的功能，讓更多的開發(fā)者加入這場游戲，總體來說也是推動了整個行業(yè)的發(fā)展。今天凌晨發(fā)布的時候，蘋果宣布SiriKit已經(jīng)得到眾多主流App的支持，包括微信、支付寶、滴滴、Whatsapp、Skype等，這也許正是蘋果作為一個后來者的優(yōu)勢。

　　這讓我想起了4年前第一次發(fā)布Siri的時候，無聲無息地發(fā)布，在沉寂了十幾年的人工智能圈，確確實(shí)實(shí)地掀起了一陣?yán)顺薄?br /> ? ? ? 本文作者陳村，劍橋大學(xué)自然語言處理（NLP）組，現(xiàn)為機(jī)器學(xué)習(xí)語義分析工程師。

　　注解：

　　【1】Google的Voice Action有自定義語音命令，但是看起來還沒有完全準(zhǔn)備好。

　　【2】Google Now會分析用戶的Email 來獲取用戶的一些個人信息，比如航班行程、酒店。蘋果在今天凌晨的發(fā)布會上聲稱，出于用戶隱私方面的考慮，暫時沒有類似的功能。