信息時代，科學技術的飛速發展帶動人工智能化技術的更新進步。機器人的應用領域和范圍也越來越廣泛，在生產、建筑、旅游等各個行業都能夠看到人工智能機器人的身影。  旅游產業與互聯網的結合，要隨著信息技術的發展與時俱進。物聯網、人工智能、虛擬現實等新興的互聯網技術讓旅游產業的未來充滿了挑戰與機遇，導游等依賴大數據的職業完全可能被人工智能機器人取代。 

本文主要介紹語音識別技術在智能語音機器人中的應用，一般語音機器人的設計開發主要著眼于“能聽會說”，力圖利用語音識別和語音合成等技術，將模擬的聽說能力賦予機器人并生動地展示給觀眾，主要應用于展廳博物館等場景，需考慮到機器人所處環境非常嘈雜，因此對系統的穩定性和抗噪性能都提出了較高的要求。此外，由于參與的觀眾來自全國各地，涉及不同性別、年齡、地域口音，所以系統聲學模型的分類設計、調練和自動切換也是一個重要的設計要素。

智能語音機器人的總體設計

       智能機器人與觀眾采用相互問答的小型對話形式進行交流。為實現上方便，可把問答對話的領域進行合理的限制。除迎賓和問候語外，可以設計4個問題域：有關時間、日期和星期的問答，有關全世界各大城市所在時區和當地時間的問答，100以內的數學四則運算題目的問答，沒有關系機器人的身世、本領等自身情況的問答。對于每個限定的問題域，相應詞匯表的大小是有限的。在限定領域、有限詞匯的條件下，機器人基本可以與觀眾進行自由問答，并可以在不同的問題與之間相互切換。系統工作流程圖如下。

       系統啟動并初始化后處于等待狀態，如果沒有觀眾靠近，機器人就定時反復播放自我介紹。如果有觀眾參觀（由紅外探測配合），系統檢測到語音信號，便會從等待狀態進入問答狀態。在觀眾預先選定的問題域內，機器人將和觀眾進行“自由”問答，在回答觀眾提問的同時，機器人會有協調的動作加以配合：針對不同觀眾對機器人所提問題的不同回答，機器人會有不同的相應，并以此決定下一步的動作。在某些問題域內，機器人在對文檔話過程中還會向觀眾提出一些問題，并等待觀眾回答。如果觀眾回答正確，機器人將表示祝賀，否則機器人將給出合理的提示(如噪聲太大，講話聲音要大點，沒有聽清楚或者你的答案不正確等)。多次回答不正確時，機器人將給出正確答案，機器人與觀眾對話結束后，向觀眾道別，再次轉入等待狀態。

核心語音模塊及關鍵技術

語音模塊是智能機器人的核心構件，它完成的功能包括:機器人從外界接收觀眾的語街，送入語音識別器進行識別，再從識別結果中提取若干關鍵詞，而后通過對這些關詞的分析，將其映射為某個問題:機器人再針對此問題生成回答，最后將文本形式的答案合成為語音，輸出給觀眾。如果觀眾的問題超出限定的對話范圍或者識別結果可信度不高，則在答案生成階段給出錯誤提示，并由語音合成器輸出。如果機器人想向觀眾提出問題，也要由語音合成器合成后輸出，模塊的整體框架如下圖所示。

1.問題域相關的數據組織

機器人與觀眾的問答將限定在某個問題域內進行，針對每個問題域，我們確定了有限大小的“詞匯表”，并通過大量的語料訓練出相應的基于詞類的統計“語言模型”“關鍵詞表”可以從“詞匯表”中提煉得到，它記錄的是對于理解問題有實質作用的詞匯及其相關信息，此外還要在“關鍵詞表”的基礎上形成“關鍵詞類型組合模板庫”，其中每個模板代表問題域內的一類具體問題。

2.識別結果的可信度度量及拒識

從以上框圖可以看到，語音識別器的識別結果作為“關鍵詞提取”和“問題理解等后續各個步驟的原始輸入，它的正確與否直接影響到整個系的性能。

在限定領域限定詞匯量的條件下，如果觀眾的提問或回答不超出限定的詞匯，識別結果的正確率可以達到95%以上。但是，一旦問題超出限定的領域或者出現了集外詞，識別器的性能就會嚴重下降。因此對識別器識別結果的可信度進行度量就顯得非常重要，它可以降低集外詞(OOV)帶來的不利影響。

我們采取的方法是利用統計語言模型衡量識別所得到的整個句子的可信度。如果一個句子的詞誤識率比較低，構成這個句子的眾多三元短語(w1w2，w3)，會比較多的出現在統計語言模型Trigram中;反之如果出現較多的識別錯誤，那么句子中大部分的詞w1和元短語(wl，w2)將出現在Unigram或Bigram中，很少有三元短語命中Trigram對于一個由若干詞W，W2，，Wi，…Wn構成的句子，我們根據各個詞及它所構成的知語在統計語言模型中出現的情況對其中每個詞打分。出現在Trigram中的可信度高，因而得分較高，出現在Bigram或Unigram中的可信度低，因而得分較低。再在各個詞得分的基礎上得到整個句子的可信度得分。若得分低于某個門限，則認為句子中包含較多的識別錯誤或者集外詞，可信度較低，應當被拒識。

3.關鍵詞檢測

從識別器得到的識別結果，是由一個個詞構成的詞序列，其中某些詞對于理解整個句子有著非常重要的作用，這就是我們所說的關鍵詞。在這步要做的就是提取出這些關鍵詞，形成一個關鍵詞串，作為下一步問題理解”的輸入，這種處理同時也是為了降低“問題理解”時的難度。針對上面提到的四個問題域，我們分別設計了關鍵詞表，預先規定了在這一問題域內的關鍵詞。這個關鍵表是語音識別系統中相應問題域下的詞匯表的子集，記錄了每個關鍵詞的漢字串，類標識和詞序號等信息。在提取關鍵詞時，只需要在句子中進行搜索，檢測到出現在關鍵間表的關鍵詞，記錄它們出現的位置和次序。比如一個句子“請問現在紐約的當地時間是幾點鐘?”我們可以提取出關鍵漢字串“現在紐約當地時間幾點鐘”以及對應的關鍵詞類型串NOWCITY+LOCALTIME+CCLOCK”。對于不包含關鍵詞的句子我們把它視作無效或者錯誤的輸入，給出相應的提示。

4.問題理解和答案生成

“關鍵詞提取”得到的關鍵詞漢字串以及類型串將用于問題理解和答案生成。

在“問題理解”時，主要用到關鍵詞類型串，通過與模板組合庫中的模板對照，可以把它映射到某一類具體問題上。比如上面例子中的“NOW+CITY+LOCALTIME+OCLOCK”，就可以映射為“詢問某城市的當地時間這類問題。在系統中針對每個不同的問題域，設計了許多關鍵字類型組合的模板，每個模板對應一類問題。如果關鍵字類型串成功映射為某類問題，即可轉入“答案生成”，否則我們認為問題無效和錯誤在“答案生成”時，已經明確了問題的類型，相應回答的基本句式就已經確定，所需要的就是給句式賦予具體的內容。利用“關鍵詞提取”得到的關鍵字漢字串和詞序號等信息，可以唯一地確定問題的具體內容，并由此得到問題的最終答案。

以上介紹的是系統的總體結構和流程設計，針對機器人將要長期展出的要求，以及其展出環境比較嘈雜觀眾類型復雜、年齡跨度大等特點，還有許多實際問題需要解決。比如，針對現場環境噪聲和不同的觀眾類型需要現場采集數據，進行聲學模型訓練;根據說話人的不同聲學特性，要對說話人進行聚類，設計分類的聲學模型，并在線選擇、切換;另外還要設計不同的問題域，并組織數據和訓練相應的語言模型。