Alexa จัดการคำสั่งภาษาธรรมชาติผ่านกระบวนการที่มีความซับซ้อนซึ่งเกี่ยวข้องกับเทคโนโลยีสำคัญหลายประการ: การประมวลผลสัญญาณ, การตรวจจับคำปลุก, การรู้จำเสียง, การทำความเข้าใจภาษาธรรมชาติ (NLU) และข้อความเป็นคำพูด (TTS) นี่คือรายละเอียดของวิธีการที่ Alexa ประมวลผลคำสั่งเหล่านี้:
การประมวลผลสัญญาณและการตรวจจับคำปลุก
1. การประมวลผลสัญญาณ: เมื่อผู้ใช้พูดกับอุปกรณ์ที่เปิดใช้งาน Alexa อินพุตเสียงจะถูกประมวลผลครั้งแรกเพื่อลบเสียงรบกวนพื้นหลังเช่นเสียงรอบข้างจากทีวีหรือการสนทนาอื่น ๆ ขั้นตอนนี้ทำให้มั่นใจได้ว่า Alexa มุ่งเน้นไปที่สัญญาณเป้าหมายซึ่งเป็นคำสั่งเสียงของผู้ใช้ [1] [5]2. การตรวจจับคำปลุก: Alexa ฟังคำเปิดใช้งานเฉพาะโดยทั่วไป "Alexa" หรือ "Hey Alexa" เพื่อเริ่มต้นการประมวลผลของคำสั่ง เมื่อตรวจพบคำปลุก Alexa จะเริ่มบันทึกและประมวลผลอินพุตเสียง [1] [2]
การรู้จำเสียงพูด
3. การแปลงคำพูดเป็นข้อความ: เสียงที่บันทึกไว้จะถูกสตรีมไปยังเซิร์ฟเวอร์คลาวด์ของ Amazon ซึ่งจะถูกแปลงเป็นข้อความโดยใช้เทคโนโลยีการรู้จำเสียงพูดอัตโนมัติ (ASR) ASR วิเคราะห์คลื่นเสียงเพื่อจับคู่รูปแบบกับห้องสมุดเสียงมากมายในภาษาต่าง ๆ ทำให้สามารถระบุสิ่งที่ผู้ใช้พูด [2] [3]ความเข้าใจภาษาธรรมชาติ (NLU)
4. การระบุเจตนา: หลังจากแปลงคำพูดเป็นข้อความ Alexa ใช้ NLU เพื่อทำความเข้าใจความตั้งใจที่อยู่เบื้องหลังคำสั่งของผู้ใช้ NLU เกี่ยวข้องกับการวิเคราะห์ข้อความเพื่อพิจารณาว่าการกระทำที่ผู้ใช้ต้องการดำเนินการเช่นการเล่นการเล่นหรือการตั้งค่าการเตือนภัย นอกจากนี้ยังแยกรายละเอียดที่สำคัญหรือ "สล็อต" ที่จำเป็นในการทำตามคำขอเช่นศิลปินเฉพาะหรือชื่อเพลง [3] [4]5. ความเข้าใจตามบริบท: NLU ของ Alexa นั้นตระหนักถึงบริบทซึ่งหมายความว่าสามารถใช้การโต้ตอบก่อนหน้าหรือคำถามติดตามผลเพื่อปรับแต่งความเข้าใจในเจตนาของผู้ใช้ ตัวอย่างเช่นหากผู้ใช้ขอให้ Alexa โทรหาใครบางคนอาจขอคำชี้แจงว่ามีผู้ติดต่อหลายรายที่มีชื่อคล้ายกัน [10] [11]
การสร้างการตอบสนองและการส่งมอบ
6. สูตรการตอบสนอง: เมื่อ Alexa เข้าใจถึงเจตนาของผู้ใช้แล้วมันจะกำหนดการตอบสนองโดยการสอบถามฐานข้อมูล API หรือบริการอื่น ๆ ตามต้องการ การตอบสนองนี้สร้างขึ้นโดยใช้การสร้างภาษาธรรมชาติ (NLG) ซึ่งสร้างประโยคที่ถูกต้องตามหลักไวยากรณ์ที่เลียนแบบคำพูดตามธรรมชาติ [3] [7]7. การแปลงข้อความเป็นคำพูด: การตอบสนองแบบสูตรจะถูกแปลงเป็นคลิปเสียงโดยใช้เทคโนโลยี TTS ขั้นสูง เทคโนโลยีนี้ช่วยให้มั่นใจได้ว่าเสียงของ Alexa นั้นฟังดูเป็นธรรมชาติและมีส่วนร่วมมักจะจำลองตามเสียงของมนุษย์ที่แท้จริง [3] [8]
8. การเล่นเสียง: ในที่สุดคลิปเสียงจะถูกสตรีมกลับไปที่อุปกรณ์ของผู้ใช้และเล่นออกเสียงโดยเสร็จสิ้นการโต้ตอบ [3]
การปรับปรุงอย่างต่อเนื่อง
ความสามารถของ Alexa ได้รับการปรับปรุงอย่างต่อเนื่องผ่านการเรียนรู้ของเครื่องและการสะสมข้อมูลการโต้ตอบของผู้ใช้ สิ่งนี้ช่วยให้ Alexa สามารถปรับแต่งความแม่นยำในการจดจำคำพูดปรับปรุงความเข้าใจในการสืบค้นที่ซับซ้อนและปรับให้เข้ากับการตั้งค่าของผู้ใช้เมื่อเวลาผ่านไป [5] [7]การอ้างอิง:
[1] https://hackernoon.com/ai-for-noobs-how-amazon-alexa-works
[2] https://intuji.com/the-tech-behind-amazon-alexa/
[3] https://reolink.com/blog/how-does-alexa-work/
[4] https://intellect-partners.com/blog/understanding-hidden-markov-model-in-natural-language-understanding-decoding-amazon-alexas/
[5] https://www.cloudthat.com/resources/blog/the-advanced-voice-assistance-technology-amazons-alexa
[6] https://developer.amazon.com/en-us/docs/alexa/conversations/how-alexa-conversations-works.html
[7] https://bernardmarr.com/machine-learning-in-practice-how-does-amazons-alexa-really-work/
[8] https://www.amazon.science/blog/alexa-unveils-new-speech-recognition-text-to-peech-technologies
[9] https://www.youtube.com/watch?v=U1YT_4XCGLY
[10] https://www.amazon.science/latest-news/the-engineering-behind-alexas-contextual-speech-recognition
[11] https://developer.amazon.com/en-us/alexa/alexa-skills-kit/nlu