“Hey Siri” 背后的黑科技大揭秘！

更多精彩点 ittbank 昨天

作者 | Vishant Batta

译者 | 苏本如，责编 | 伍杏玲

出品 | CSDN（ID：CSDNnews）

以下是译文： 
如今苹果手机可随时检测并回答“Hey Siri”命令，有人可能会想，它是不是在随时记录我们的日常生活对话呢？
答案是否定的！
“Hey Siri”能做的并没有我们想象的那么多！
让我们先看看“Hey Siri!”的发展历史吧。
“Hey Siri！”作为预装语音助手Siri的附加功能，于2014年9月在iOS 8中发布。然而，在iOS 9（2015年9月）它升级了，只允许被用来识别用户的个性化语音。
而谷歌助手在2013年之前就已经有了这个功能，但是，在你的屏幕关闭时，它不能支持这个功能。即使是现在，很多安卓手机都不支持这个功能。
让我们来比较一下用户体验，如下图所示：

常规方式 vs.“Hey Siri！”
常规方式是这样的：用户拿起手机 -> 长按home按钮 -> Siri启动。
而在“Hey Siri！”方式下，用户只需说“Hey Siri！”，无需按键，就可以让Siri启动。
这样有一个好处是，因为当用户不方便使用手操作（如开车时），用户也可以使用手机的一些功能。 


Siri的前身：M9运动协处理器
 
“协处理器”可以理解为具有有限功能和电池消耗的辅助处理器，用来支持即使在手机空闲（屏幕关闭）时也可以访问“始终开启”的功能。
M9运动协处理器是苹果协处理器家族的第三代产品，于2015年9月与iPhone 6s一起推出。得益于它基于ARM、64位的A9片上系统所具有的强大的处理能力和微量的电池消耗，这个苹果手机著名的“唤醒”功能才得以实现。M9有时也被人们描述为“嵌入到运动协处理器上的始终在线处理器（AOP - Always on Processor）”


“Hey Siri！”是如何工作的？

当你第一次启用这个功能时，它会提示你说一定次数的“Hey Siri！”。然后你的iPhone将这些声音保存起来，用做将来识别你的个性化声音的“触发键”。
这个个性化的“触发键”保存在协处理器中，即使你的手机处于空闲状态，协处理器也会侦听（而不是听到）落到麦克风上的所有声音。 

因此，当声音落在麦克风上，并与“触发键”匹配成功后，协处理器就会激活主处理器开始录音（就像我们长按主屏幕按钮打开Siri一样）。然后，该录音被发送到服务器，并以类似于每个语音助手的过程进行解释。
想象一下这个过程，就好像你拥有数千把钥匙，你正试图找到哪把钥匙正好匹配你要打开的锁。
这里要注意的重要一点是，AOP处理器（A9）总是在“侦听”而不是“听”用户的声音。它就像一个婴儿，他一直在听人说话，但无法完全处理听到的话，只有在呼唤他的名字时，它才会被触发而开始工作。
M9运动协处理器于2015年9月与iPhone 6s一起发布。但正如本文一开始所说，“Hey Siri！”功能早于2014年9月就已经推出。那么，早期版本的iPhone 是如何能够“被动地”侦听呢？
好吧，如果你碰巧认识一个拥有iPhone 6的人，你可以检查一下“Hey Siri！”。即使你的手机处于空闲状态（屏幕关闭），该功能也只能在充电模式下工作。正如我们可以简单地推断的那样，它仅仅能在充电时获取少量的额外电量。看看下面iPhone 6 Siri的设置截图： 


“Hey Siri！”背后的算法

用户的声音会以0.01秒为一帧的单位被采样下来，然后每次将20个这样的帧（0.2秒），连续输入到深度神经网络（DNN），神经网络将这些声音转换为概率密度函数，当该函数值超过最低阈值时，从而激活主处理器。

DNN训练
这里的阈值不是固定不变的，而是根据背景噪声而变化。因此，为了清楚地理解，你可以说DNN每时每刻都在计算阈值。
此外，当第一次记录你的语音样本并生成“触发键”时，实际上是在训练该DNN并定义权重以计算概率。
对于不同的口音，DNN的训练是不同的。例如，“Hey Siri”的发音有点像美国英语中的“Serious”，只是它没有标点符号。而“Hey Siri！”中的“ i”发音长度不同，而且带有一个惊叹号。


“Hey Siri”背后的数学计算

下面的内容是为所有机器学习爱好者准备的：）。
这是深度神经网络（DNN）模型：

DNN模型
总的概率函数如下：
其中：
  • F(i,t)是模型中状态i的累计分数
  • q(i,t)是声学模型的输出。这个输出是语音类别的对数分数，它与时间t附近给定语音模式的第i个状态有关
  • s(i)是和留在状态i相关的开销
  • m(i)是从状态i继续向后移动的开销
这里的s(i)和m(i)与定义“触发键”时训练的权重相关，可以这样假设：
s(i)- 由“触发键”的单个帧决定，取决于音调、音量等参数。
m(i)- 取决于“触发键”的频率，或简而言之速度，以及s(i)参数改变的大小和快慢。
例如：m(i)和 s(i)对埃米纳姆（Eminem）和阿黛尔（Adele）来说是非常不同的，因为埃米纳姆唱得更快（实际上要快得多），同时变化较小。而阿黛尔唱得更慢些，而且变化更大。
考虑到处理功率和电池消耗，对于协处理器（32层）和主处理器（192层），DNN中的层级大小是不同的。
“Hey Siri!”这项功能虽然没有被广泛宣传，但它却是朝着自动化和提高移动电话易用性迈出的革命性一步。它也可以被视为一个很好的例子，说明一个小小的改变如何对用户体验产生巨大的影响，以及这些小小的革命性改变有时需要进行广泛的研究。
原文链接：https://hackernoon.com/how-does-hey-siri-work-without-your-iphone-listening-to-you-at-all-times-827932do
本文为 CSDN 翻译，转载请注明来源出处。