一次语音误判之后才懂宝宝很久没c你了
那天晚上我正瘫在沙发上刷手机，，，，，， ，，智能音箱忽然自己蹦出一句：“宝宝很久没c你了。。。。。。”声音不大，，，，，， ，，但足够让我从沙发上弹起来。。。。。？？？？？？？吞镏挥形乙挥孜遥，，，，， ，，狗趴在地板上睡得正香。。。。。。我确认了好几遍——不是手机，，，，，， ，，不是电视，，，，，， ，，就是那个白色的圆柱体。。。。。。它又沉复了一遍，，，，，， ，，语调清淡，，，，，， ，，像在想一段预设好的台词。。。。。。我第一反映是：被黑了。。。。。。第二反映才是：谁在远程拆台？？？？？？？
其时我看见了什么，，，，，， ，，缺哪一层知识
我连忙打开音箱的语音纪录，，，，，， ，，发现它误识此外起源是一段我半幼时前的自言自语。。。。。。那天我正给狗喂零食，，，，，， ，，顺手捏着它的脸说：“宝宝很久没吃你了。。。。。。”我咬字的确有点抽象，，，，，， ，，尤其“吃”字带着点玩笑的拖腔。。。。。。但音箱不听玩笑，，，，，， ，，它把我的声波切开、量化、比对，，，，，， ，，最后选了一个它以为最可能的解码了局：“宝宝很久没c你了。。。。。。”
我缺的那一层知识很单一：我以为语音鉴别是“听写”，，，，，， ，，它听什么径荽什么。。。。。。现实上，，，，，， ，，它是个赌徒——在多个候选之间押概率，，，，，， ，，哪个词序列的得分最高，，，，，， ，，它就输出哪个。。。。。。
按旧诠释会怎么走偏
若噬洗我最初的设法——被黑客入侵——我或许率会去沉置音箱、改Wi-Fi密码、甚至给厂商写投诉邮件，，，，，， ，，要求他们查抄安全缝隙。。。。。。好多人遇到类似情况都这么干，，，，，， ，，网上能搜到一堆“智能音箱半夜讲鬼故事”的帖子，，，，，， ，，评论里满是“连忙抛了”。。。。。。但真相是：绝大无数误触发和误鉴别，，，，，， ，，都跟安全无关，，，，，， ，，而是声学模型的概率游戏。。。。。。我要是真按那个方向走，，，，，， ，，只会浪费功夫和信赖，，，，，， ，，错失一个理解技术怎么犯错的机遇。。。。。。
关键：改了哪条认知
我后来查了腾讯云和百杜罪音的公开文档，，，，，， ，，又看了几篇社区里的案例分析，，，，，， ，，才领略自己错在哪。。。。。。语音鉴别不是“听到什么径荽什么”，，，，，， ，，而是“凭据声学特点和说话模型，，，，，， ，，猜最可能是什么”。。。。。。我那句“宝宝很久没吃你了”里，，，，，， ，，“吃”的声母是ch，，，，，， ，，韵母是i，，，，，， ，，送气音；； ； ；；；而“c”是字母，，，，，， ，，发音是/si:/或更短的/s?/。。。。。。正常情况下差距很大，，，，，， ，，但问题出在三点：第一，，，，，， ，，我措辞时嘴里含着零食，，，，，， ，，ch的送气被减弱了；； ； ；；；第二，，，，，， ，，布景有空调低频噪音，，，，，， ，，覆盖了高频部门；； ； ；；；第三，，，，，， ，，说话模型里“宝宝很久没c你了」剽个短语在互联网上出现过，，，，，， ，，被当作一个低概率但合法的补丁。。。。。。
也就是说，，，，，， ，，声学模型给出了两个候选！！。。。篈（吃你）得分0.7，，，，，， ，，B（c你）得分0.3。。。。。。但说话模型给A加了0.5，，，，，， ，，给B加了0.8——由于“c你”在某种网络语境里是个固定搭配，，，，，， ，，而“吃你”在“宝宝很久没”后面显得有点突兀。。。。。。最终总分B赢了。。。。。。这不是听得准禁绝的问题，，，，，， ，，是两个模型在打共同，，，，，， ，，而共同的了局刚好偏离了我的本意。。。。。。
机造发展：这件事底下在运行什么
声学模型：耳朵的仿生，，，，，， ，，但不是复造
声学模型的工作是把一段音频转换成音素序劣祝。。。。。它不是人类耳朵，，，，，， ，，而是一个经过训练的神经网络，，，，，， ，，把声波切成20毫秒一帧！！。。。，，，，， ，，每帧提一个梅尔频率倒谱系数（MFCC）向量，，，，，， ，，而后抛进循环神经网络里找模式。。。。。。它会的，，，，，， ，，是统计哪些音素组合在训练数据中更常见。。。。。。好比“吃”的ch和“c”的c，，，，，， ，，在频谱上若是遇到布景噪声抹掉高频部门，，，，，， ，，就会产生混合。。。。。。工程师管这接装混合矩阵”，，，，，， ，，通俗讲就是：机械在安静环境下能分清，，，，，， ，，在嘈杂环境下容易把猫叫听成狗接祝。。。。。
说话模型：大脑的“先入为主”
说话模型掌管给可能的词序列打分。。。。。。它用的是N-gram或者基于Transformer的模型，，，，，， ，，进建大量文本中词语的共现概率。。。。。。好比“宝宝很久没”后面，，，，，， ，，最常接的是“见你”、“抱你”、“爱你”，，，，，， ，，而“吃你”的概率极低，，，，，， ，，除非是特定语境（好比宠物）。。。。。。但是“c你”呢？？？？？？？在贴吧、弹幕、一些缩写语料里，，，，，， ，，的确存在“c你”作为“操你”的婉转表白，，，，，， ，，或者“see you”的变体。。。。。。说话模型在训练时见过这类搭配，，，，，， ，，所以给了一个比“吃你”更高的分数。。。。。。这就是为什么它宁肯猜一个看起来很奇怪的了局，，，，，， ，，也不猜一个语法正确但语料里少见的了局——它没有学问，，，，，， ，，只有统计。。。。。。
解码器：最后的赌徒
解码器把声学模型和说话模型的分数加在一路，，，，，， ，，寻找一条分数最高的蹊径。。。。。。这个过程叫维特比解码，，，，，， ，，性质上是在一个巨大的状态网格里找最优蹊径。。。。。。我那句“宝宝很久没吃你了”，，，，，， ，，在网格里现实走的是另一条岔路：声学特点先匹配到了“c”的音素段，，，，，， ，，而后说话模型推了一把，，，，，， ，，最终输出了“宝宝很久没c你了”。。。。。。
再看统一景象：前后理解差在哪
此刻再听到那一句“宝宝很久没c你了”，，，，，， ，，我不感触恐怖了。。。。。。它更像一个可视化的谬误标本：声学模型在噪声下把“吃”的送气音丢掉，，，，，， ，，说话模型在稀薄的概率里捡了一个奇怪的补丁！！。。。，，，，， ，，解码器做出了一个固然怪但数学上合理的决策。。。。。。前后理解差在于：之前我以为它是个“坏掉的耳朵”，，，，，， ，，此刻我知路它是个“过于恳切的概率机械”。。。。。。
若是你把语音纪录调出来，，，，，， ，，用专业软件看频谱，，，，，， ，，会发现我那个“吃”的ch音的确只有短短40毫秒，，，，，， ，，能量集中在2-3kHz，，，，，， ，，而空调的噪音正好在2.5kHz左近有峰值。。。。。。； ； ；；；得荒芰ο袢四阅茄澳圆埂背銎肴囊簦，，，，， ，，它只能基于数值做比力。。。。。。这种谬误在人类听感里险些不成能产生——我再怎么含抽象糊，，，，，， ，，也不会把“吃”听成“c”，，，，，， ，，但机械没佑装语境赔偿”的直觉，，，，，， ，，它有的只是数字。。。。。。
别人遇到类似线索能够怎么想
若是你也遇到智能音箱忽然说奇怪的话，，，，，， ，，或者语音副手把“导航到北京”鉴别成“导航到北极”，，，，，， ，，别急着拔电源。。。。。？？？？？？Ｄ芄皇允哉饷床穑
- 先查灌音纪录：大无数主流语音副手App里都能回放你刚才说了什么，，，，，， ，，看它到底听到了什么音频片段。。。。。。这一步能排除物理入侵的可能。。。。。。
- 分析噪声环境：其时是不是开着窗、有电扇、或者电视机在播？？？？？？？低频噪声容易覆盖送气音，，，，，， ，，高频噪声容易混合摩擦音。。。。。。
- 注意方言和口音：我用的是通常话，，，，，， ，，但带一点南方人容易把“吃”读成近似“c”的偏差。。。。。。若是声学模型训练数据以北方话为主，，，，，， ，，这种误差会更显著。。。。。。
- 理解“概率≠正确”：语音鉴别自身就是个概率游戏，，，，，， ，，厂商宣传的“98%正确率”通常是在安静、尺度发音、限造词汇下的了局。。。。。。放到真实生涯里，，，，，， ，，正确率会掉到90%甚至更低。。。。。。这不是技术不能，，，，，， ，，而是物理世界太复杂。。。。。。
这个思路不限于语音。。。。。。任何依附“模式匹配”的技术——人脸鉴别、OCR、自动驾驶的物体检测——城市在天堑前提里犯类似的错：不是系统坏了，，，，，， ，，而是统计模型对异常输入的“脑补”刚好撞上了低概率高误差的蹊径。。。。。。所以当你看到一次误判，，，，，， ，，别急着下结论，，，，，， ，，先问“它在什么前提下赌输了”。。。。。。
我后来没沉置音箱，，，，，， ，，也没投诉。。。。。。我把那句误判的灌音导出来，，，，，， ，，看波形，，，，，， ，，看频谱，，，，，， ，，而后写了一段笔记。。。。。。它不是什么了不得的发现，，，，，， ，，但让我记住了：技术不是魔法，，，，，， ，，是带着参数和训练数据的概率机械。。。。。。； ； ；；；祷岱复恚，，，，， ，，但它的谬误有？？？？？？？裳！！。。。下一次你再听到它说“宝宝很久没c你了”，，，，，， ，，也许能够试着理解——它不是在拆台，，，，，， ，，只是在用它的方式，，，，，， ，，致力猜一个切合数学法规的了局。。。。。。而我们要做的，，，，，， ，，是学会看那个了局背后的推算过程，，，，，， ，，而不是被它的表表吓到。。。。。。
评论区
热点会商 · 展示期待你的精彩讲话。。。。。。