△ 千反田，日本语发音“吃蛋挞”

你家的智能音箱，大概就要听你们两个人说话了。

语音助手，如果要中文日文来回调的话，还挺累的。

不过，现在遇到这种情况，谷歌助手已经不用手动转换语言了：

预先设置好两种语言，比如中文日文。然后你说中文，谷歌助手就用中文答你，她说日语，谷歌助手就用日语回她。

多么顺滑。

上面说的都没错，除了中文还没支持……

目前支持的语言有：英语、西班牙语、法语、德语、意大利语，和日语。

至少，日语还是有的嘛。

而且，做个顺滑的双语小王子，对语音助手来说，并不是一件容易的事。

谷歌团队也是经过多年努力，走过许多险要之地，才来到今天的。

从识别多种语言，到理解多种语言，再优化识别过程……

我们来仔细感受一下：

听出哪种语言

听到别人在说日语的时候，你即便不会说日语，也很容易听出那是日语。

但让机器来做这样的判断，并不容易。就算有了全自动语音识别系统，也很难做到。

所以，从前的语音助手，用之前都要设定好语言，省却这一步判断。

2013年，谷歌开始用深度神经网络，来开发口语辨别 (LangID) 技术。

如今，AI已经能在2000多对语言之间，辨别谁是谁：比如英语vs法语、英语vs日语、日语vs法语。

就像语音检测 (有没有人在说话) 、说话人识别 (谁在说话) 、语音识别 (ta在说啥) 的算法一样，这里用的也是序列建模(Sequence Modeling) 。

一个难点，就是要用更大的音频数据集来训练模型。

听懂说的是啥，要快

要同时理解两种以上的语言，AI的工作流程变得很复杂。

多个进程要并行，每个进程都会产生增量结果(Incremental Results) ，让语音助手在分辨语种之外，还要分析人类在说些什么，创建命令然后执行。

比如，人类说“上个早晨6点的闹钟”，对语音助手来讲，就是把时钟应用打开，把6点的参数设好，另外还要设置闹钟今天就工作。当然，单语助手也是这样。

然而，单语容易做到的事，双语就未必了。启用LangID，两套语音识别系统同时工作，二者做出的判断最后要经过一轮评估。

这一步，是由另外一个算法完成的。这个算法会给两个语音识别系统的判断结果，做个排名，决定要输出怎样的命令。

当用户说完的时候，模型除了知道ta说了哪种语言，也要领会ta的意图。而评估步骤会增加处理成本，也会造成不必要的延时。

反应慢，可能是语音助手最大的缺点了。所以，算法还需要优化。

优化，优化

要最大限度地解决运算成本与时间问题，就要在分辨语种的环节，加快速度。

如果，在用户说完之前，算法就能判断出语种。这时，另外一种语言的识别器，就不用继续听了。运算量减少了，用时也减少了。

听过一部分，算法就初步猜测一下语种。越早判断完成，就能越早把任务简化到单语。

但是，到底什么情况下，可以锁定一种预言，抛弃另一种？

这里用的是随机森林，结合了背景信息，比如用户用的什么设备，算法给出的备选命令以前是不是经常出现，用户是不是经常用这种语言等等。

这些因素，都会坚定AI的判断。

从双语到三语

现在，谷歌助手还只能支持两种语言同时识别。

但算法的优化还在进行，团队正在朝着三语进发。

不过，支持三语之前，最好还是先把汉语支持了吧。

—完—（量子位）