„Alexa“ tvarko natūralių kalbų komandas per sudėtingą procesą, apimantį keletą pagrindinių technologijų: signalo apdorojimas, Wake Word aptikimas, kalbos atpažinimas, natūralios kalbos supratimas (NLU) ir teksto į kalbą (TTS). Čia pateiktas išsamus, kaip „Alexa“ apdoroja šias komandas:
Signalų apdorojimas ir „Wake Word“ aptikimas
1. Signalo apdorojimas: Kai vartotojas kalba su „Alexa“ valdomu įrenginiu, garso įvestis pirmiausia apdorojama, kad būtų pašalintas foninis triukšmas, pavyzdžiui, aplinkos garsus iš televizorių ar kitų pokalbių. Šis žingsnis užtikrina, kad „Alexa“ sutelktų dėmesį į tikslinį signalą, kuris yra vartotojo balso komanda [1] [5].2. Wake Word Disction: Alexa klauso konkrečių aktyvavimo žodžių, paprastai „Alexa“ arba „Hey Alexa“, kad inicijuotų komandos apdorojimą. Aptikus „Wake Word“, „Alexa“ pradeda įrašyti ir apdoroti garso įvestį [1] [2].
Kalbos pripažinimas
3. Kalbos ir teksto konversija: įrašytas garsas perduodamas į „Amazon“ debesų serverius, kur jis paverčiamas tekstu, naudojant automatinio kalbos atpažinimo (ASR) technologiją. ASR analizuoja garso bangas, kad atitiktų modelius su didžiule garsų biblioteka įvairiomis kalbomis, leisdama jai nustatyti, ką vartotojas pasakė [2] [3].Natūralios kalbos supratimas (NLU)
4. Ketinimo identifikavimas: Konveravusi kalbą į tekstą, „Alexa“ naudoja NLU norėdama suprasti vartotojo komandos ketinimą. NLU apima teksto analizę, kad nustatytų, kokį veiksmą vartotojas nori atlikti, pavyzdžiui, atkurti ar nustatyti aliarmą. Tai taip pat išskiria pagrindinę informaciją arba „laiko tarpsnius“, reikalingus prašymui įvykdyti, pavyzdžiui, konkretūs menininkai ar dainų pavadinimai [3] [4].5. Kontekstinis supratimas: Alexa NLU yra žinomas kontekste, tai reiškia, kad ji gali naudoti ankstesnes sąveikas ar tolesnius klausimus, kad patobulintų savo supratimą apie vartotojo ketinimą. Pvz., Jei vartotojas prašo „Alexa“ paskambinti kam nors, jis gali paprašyti paaiškinimo, ar yra keli kontaktai su panašiais pavadinimais [10] [11].
Atsakymų generavimas ir pristatymas
6. Atsakymo formulavimas: Kai „Alexa“ supranta vartotojo ketinimą, jis suformuluoja atsakymą, pateikdamas užklausų duomenų bazes, API ar kitas paslaugas pagal poreikį. Šis atsakymas sukuriamas naudojant natūralios kalbos generavimą (NLG), kuri sukonstruoja gramatiškai teisingus sakinius, kurie imituoja natūralią kalbą [3] [7].7. Teksto į kalbą konversija: suformuluotas atsakymas paverčiamas garso įrašu, naudojant „Advanced TTS“ technologiją. Ši technologija užtikrina, kad Alexa balsas skamba natūraliai ir patraukliai, dažnai modeliuojama po tikrų žmogaus balsų [3] [8].
8. Garso atkūrimas: Galiausiai garso klipas perduodamas atgal į vartotojo įrenginį ir groja garsiai, užbaigdamas sąveiką [3].
Nuolatinis tobulinimas
„Alexa“ galimybės nuolat tobulinamos mokantis mašininio ir kaupiant vartotojų sąveikos duomenis. Tai leidžia „Alexa“ patobulinti savo kalbos atpažinimo tikslumą, pagerinti supratimą apie sudėtingas užklausas ir prisitaikyti prie vartotojo nuostatų laikui bėgant [5] [7].Citatos:
[1] https://hackernoon.com/ai-for-noobs-how-amazon-lexa-works
[2] https://intuji.com/theech-nechind-amazon-lexa/
[3] https://reoLink.com/blog/how-does-alexa-work/
[4] https://intellect-partners.com/blog/underve-hidden -markov-model-in-natural-cranguage-promdeundeming-decoding-amazon-lexas/
[5] https://www.cloudthat.com/resources/blog/the-advanced-voice-aSisistance-technology-amazons-lexa
[6] https://developer.amazon.com/en-us/docs/alexa/conversations/how-alexa-conversations-works.html
[7] https://bernardmarr.com/machine-learning-in-praktice-how-does-amazons-lexa-really-work/
[8] https://www.amazon.science/blog/alexa-unveils-new-speech-recognition-text-toxt-topeech-technologies
[9] https://www.youtube.com/watch?v=u1yt_4xcgly
[10] https://www.amazon.science/latest-news/the-engineering-nehind-leexas-contextual-peech-recognition
[11] https://developer.amazon.com/en-us/alexa/alexa-skills-kit/nlu