智能客服产品及原理分析

去噪音

词汇归一化

分词

实体识别

主要目的是为了将文档（文章）的主题进行分类，比如说是属于经济类、体育类、文学类等等。

文本相似度通常也叫文本距离，指的是两个文本之间的距离。文本距离越小，相似度越高；距离越大，相似度越低。

如这件衣服多少钱，这衣服怎么卖，是根据这个相似度去判断，给出答案

应用场景：推荐、排序、智能客服以及自动阅卷等。解决之前只能靠关键词精准匹配问题，识别语义，扩大了应用的范围。

情感倾向分类

观点抽取

中华语言博大精深

比如说文本中的“他”其实指的就是“勒布朗詹姆斯”。所以指代消解要做的事情就是，找出这些代词，都指的是哪个实体。

验证关系

单位化语音

优点：语音合成的质量比较高。
缺点：数据量要求很大，数据库里必须有足够全的“音”。

根据统计模型来产生每时每刻的语音参数（包括基频、共振峰频率等），然后把这些参数转化为波形

优点：对数据的要求要小点。
缺点：质量比拼接法差一些。

普遍通用，但期望不能过高

语音助手/滴滴/高德/智能音箱/机器人

在用户预期不苛刻的场景，能“基本”满足商业化需求，但是效果没通用TTS那么好。但如果用户预期非常高的话，暂时是满足不了的。

科大讯飞

微量分贝（HEARD）这家致力于海量内容音频化

“情感意图识别”，“情感特征挖掘”、“情感数据”以及“情感声学技术”

端到端的技术变革

TTS前端，如：中文分词、注音、词性，都会提升tacotron性能；
后端，参数、拼接、wavenet都可以选用。

端到端（End-to-End）的TTS建模方法，加上WaveNet 的声码器思想，是未来TTS的发展方向。

离线版本能否有在线版本的效果

个性化TTS

数据获取成本及周期长

文案设计，非常重要。因为在语音交互场景，不能太长，用户没耐心和时间听完的。
可以加入背景音乐，掩盖杂音等细节瑕疵。
特殊场景，还有特别的需求，比如：远场场景和戴耳机场景相比，还是会有区别的。
中英文混合TTS，比如：用户想播首英语歌曲，困难在于：所有中文的发音当中，中文和英文合拍念出来是很难的，为什么呢？因为往往录音的人，录中文是一批人，录英文又是一批人。两种语言结合起来，再用机器学习学出来，声音就会变得非常怪。这方面，小雅音箱曾经花了很大的精力和成本去“死磕”解决。

个性化TTS、情感TTS会在各细分场景得到更大的应用，比如：知识付费、明星IP、智能硬件、车联网、实体/虚拟机器人等。