语音交互是AI最重要的领域之一，也是目前落地产品比较成熟的领域，比如说智能客服、智能音箱、聊天机器人等，都已经有成熟的产品了。语音交互主要由哪些部分组成？各自主要处理什么任务？目前都遇到什么困难？本文将跟大家一起探讨下。
01 语音交互的组成
我们以一个智能音箱的例子来开始今天的讨论：
假设我们对智能音箱天猫精灵说“放一首周杰伦的《晴天》”。天猫精灵就会说“好的，马上为你播放周杰伦的《晴天》”，并且开始播放音乐。
这个过程猫精灵都做了些什么？
首先，天猫精灵把听到的声音转化成文字，然后理解内容，最后做出相应策略，并把响应策略转化成语音。
因此，语音交互就可以成以下这三个模块：
- 语音识别（Automatic Speech Recognition）：简称ASR，是将声音转化成文字的过程，相当于耳朵。
- 自然语言处理（Natural Language Processing）：简称NLP，是理解和处理文本的过程，相当于大脑。
- 语音合成（Text-To-Speech）：简称TTS，是把文本转化成语音的过程，相当于嘴巴。
下面我们就来详细的介绍每一个模块。
02 语音识别（ASR）
通常语音识别有两种方法：
- “传统”的识别方法，一般采用隐马尔可夫模型（HMM）
- 基于深度神经网络的“端到端”方法。
两种方法都需要经过“输入—编码—解码—输出”的流程。
2.1 编码
编码就是把声音转化成机器能识别的样式，即用数字向量表示。
输入的声音信号是计算机没办法直接识别的，首先需要将声音信号切割成一小段一小段，然后每一小段都按一定的规则用向量来表示。
2.2 解码
解码就是把数字向量拼接文字的形式。
