一句“嘿 Siri”背后藏着怎样的奥秘

“嘿 Siri”在本地设备主要集中于一个小小的检测器上，这是专门的语音识别装置，它单独用来聆听/辨识唤醒语句，也就是为“嘿 Siri”这句话而存在。

检测器：听见“嘿 Siri”

通过 iPhone 或 Apple Watch 的麦克风将你的声音转换成速率为每秒 16000 的瞬时波形采样流，经过频谱分析之后每次将大约 0.2 秒的音频传输到声学模型，深度神经网络（DNN）会将这些声学模型中的每一个转换成一组语音声音类的概率分布，用来分析这组声音是否正在说“嘿 Siri”，并决定要不要激活 Siri。

在此基础上，为了能在更复杂的情况下也能简单激活 Siri，苹果在分析中加入了正常门槛和下限阈值，只要信度分数在这个范围内，Siri 就会对用户的指令进行反应，但是当分数达到下限阈值但是没有进入正常门槛时，检测器会进入持续几分钟的“敏感模式”，以便用户在第二遍“嘿 Siri”的时候，更快地唤醒。

响应与功耗：双通道

“嘿 Siri”检测器不仅要准确，而且要响应快速而且不能太耗电，所以我们得减少内存使用和处理器需求，尤其是峰值处理器的需求。

为了避免主处理器一直处于等候唤醒的状态，iPhone 中的 AOP（Always On Processor 一种小型、低功耗的辅助处理器，即嵌入式运动协处理器）会分出一部分来运行检测器和比较小的声学模型，只有当前面所述的声学模型分析信度分数达到最低阈值，AOP 才会进一步传达给主处理器，由主处理器接手下一步工作——使用较大的 DNN 分析信号。

因为电池电量要小得多，Apple Watch 要更特殊一些，它使用单通道的“嘿 Siri”检测器，声学模型的大小经过特别处理，另外，它的检测器只有在手腕抬起的时候才会进入工作状态。

专属你的“嘿 Siri”

“嘿 Siri”永远在线，以随时响应用户的呼叫。为了减少错误触发，苹果邀请用户在初始化的时候进行简短的语音记录，用户要说 5 遍“嘿 Siri”，这些语音样本存在本地，用以训练 DNN 的比较能力，以确定触发检测器的声音是不是用户本人所说的“嘿 Siri”。

这样的步骤可以降低别人说“嘿 Siri”结果唤醒了你的 iPhone，也降低其他类似发音的短语错误唤醒 Siri 的概率。

当各个阶段都被检测分析通过，这个声音波形才进入 Siri 服务器，先接受主语音识别器的进一步检查，如果听到的是“Hey Seriously”而不是“嘿Siri”，服务器会向手机发出取消指令，手机回到睡眠状态。

DNN训练

DNN 声学模型是“嘿 Siri”检测器的核心，Siri 团队创建了专用的“嘿 Siri”短语的语音规范，让声学模型能在各种声音模式中通过目标短语和声音类标签中优化自己的识别结果。

只要是 Siri 所支持的所有语言，用“Hey Siri”都可以唤醒，不过这不一定是 Siri 最开始监听的句子。讲法语的用户需要说“Dis Siri”，而讲韩语的用户说“Siri 야”（听起来像“Siri Ya”），俄罗斯是“привет Siri”（听起来像“Privet Siri”），泰国是“หวัดดีSiri”（听起来像“Wadi Siri”）。

最后，还要给检测器进行大量测试和调优，不断地对“嘿 Siri”进行评估和改进，以及通过使用本文描述的各种方法对其进行训练和测试以强化它的能力，才有了如今我们一句“嘿 Siri”唤醒的 Siri。

小结

苹果希望“嘿 Siri”的工作范围能够涵盖一个房间，而不是只有一臂之内，在 Siri 成为包括 iPhone、Mac、Apple Watch 和 Homekit 设备的交互主体时，它何时会出现，何时不出现，如何在用户夹杂着自然对话的“嘿 Siri”中醒来，是这一切交互的开始。

所以，当下一次你再说“嘿 Siri”时，你可能想的是怎么跟 Siri 交谈，而苹果只不过是想要它“刚好管用！”（原话 it“just works!”）乔布斯在 2011 年 WWDC 大会上宣布 iCloud 的时候，说的也正是 It just works！（就是这么管用）。这些年苹果虽然发生了改变，但内在追求一直没有变，我们从这个小细节里就看得出来。返回搜狐，查看更多