第251章 允许失败的勇气＆下一款產品（2/2）

“谢谢。”

“不客气！”宋锦不爽的刻了这狗贼一眼。

“怎么，不服？”

“怎么会呢爷~”宋锦忍受著心头的屈辱，扬起一个甜美的笑脸，开男友搭在她大腿上的黑手。

像挠狗子一样，挠了挠女友的下巴，洛川押了个大大的懒腰，喊过一旁正里啪啦敲代码的瑶瑶姐，交给她一个新任务。

开发一款语音助手。

这款应用，將內置於下一代星光旗舰机。

未来的智能家居战略，也能用得上。

技术组成，大致可分为硬体层和软体层。

硬体层，需要定製麦克风阵列，並集成自研的“自適应波束成形”算法，以实现3米远拾音、

嘈杂环境降噪、区分用户与他人声音等等。

同时需自研低功耗语音唤醒算法，以免这款应用成为“电量杀手”。

就跟siri刚诞生时那样。

同时，还需跟高通合作，签订排他性协议，深度定製soc，在下一代晶片中，固化语音处理专用指令集。

如离线唤醒词监测、基础指令本地处理等等。

这一块，其实可以放在云端处理，但如果直接將指令集嵌入晶片dsp中，可以大幅提高响应速度，效果更佳。

可惜星光那边的晶片研发设计，仍处於起步阶段，这两年估计是用不上自家设计的晶片了。

其次是算法层，大致可分为四个大项。

其一，语音识別。

可採用基於隱马尔可夫模型的语音识別技术，结合高斯混合模型提升识別准確率，自研端侧轻量化语音识別模型。

这两种理论早已出现，但前世直到12年，才有“机灵鬼”，將前者应用到实际的商业语音识別產品之中。

將两者混合的模型，更是在很长一段时间內都鲜有人问津。

当然，想要实现两者相结合的混合模型的超前应用，自然也需要下一番功夫。

首先需要收集海量的语音数据，涵盖各种不同的口音、语速、语调及使用场景，用以训练模型，这对计算资源的要求极高。

巧的是，极光既有海量的用户，又有强大的云计算资源只需再开发引入自適应学习率的算法，使得模型在训练过程中，能够根据数据特点，自动调整学习速度，进而提高训练效率即可。

同时也可採集粤语、鲁省方言、东北话等方言，组成方言库，以支持语音识別。

不过这个功能倒也不急，可在后续版本选代中再加入。

反正前世直到13年，另一款主流手机语音助手，siri，才支持中文。

其二，自然语言处理。

需要构建一个语义理解模型，解析用户指令的意图，

可通过规则引擎+统计学习的混合方案。

规则层，內置500条高频场景模版，比如“导航去公司”。

统计层，可利用悠米社区和极光微博中，数以百亿条公开语料，训练朴素贝叶斯分类器，以提升意图识別准確率，处理模糊指令。

比如，用户说“太冷了”，语音助手自动查询天气，並给出关窗、添衣服等建议。

之后也可基於地理位置，同智能家居联动，

此外，还可將简单的神经网络模型引入其中，以提升模型的泛化能力，以及处理复杂指令的能力。

放在深度学习刚刚起步的今天，自然算是难如登天。

但你说巧不巧，洛川最擅长的就是深度学习宋锦同学深有体会