“Hey Siri” 背後的黑科技大揭秘！

作者 | Vishant Batta

譯者 | 蘇本如，責編 | 伍杏玲

以下是譯文：

如今蘋果手機可隨時檢測並回答“Hey Siri”命令，有人可能會想，它是不是在隨時記錄我們的日常生活對話呢？

答案是否定的！

“Hey Siri”能做的並沒有我們想象的那麼多！

讓我們先看看“Hey Siri！”的發展歷史吧。

“Hey Siri！”作為預裝語音助手Siri的附加功能，於2014年9月在iOS 8中釋出。然而，在iOS 9（2015年9月）它升級了，只允許被用來識別使用者的個性化語音。

而谷歌助手在2013年之前就已經有了這個功能，但是，在你的螢幕關閉時，它不能支援這個功能。即使是現在，很多安卓手機都不支援這個功能。

讓我們來比較一下使用者體驗，如下圖所示：

常規方式 vs。“Hey Siri！”

常規方式是這樣的：使用者拿起手機 -> 長按home按鈕 -> Siri啟動。

而在“Hey Siri！”方式下，使用者只需說“Hey Siri！”，無需按鍵，就可以讓Siri啟動。

這樣有一個好處是，因為當用戶不方便使用手操作（如開車時），使用者也可以使用手機的一些功能。

Siri的前身：M9運動協處理器

“協處理器”可以理解為具有有限功能和電池消耗的輔助處理器，用來支援即使在手機空閒（螢幕關閉）時也可以訪問“始終開啟”的功能。

M9運動協處理器是蘋果協處理器家族的第三代產品，於2015年9月與iPhone 6s一起推出。得益於它基於ARM、64位的A9片上系統所具有的強大的處理能力和微量的電池消耗，這個蘋果手機著名的“喚醒”功能才得以實現。M9有時也被人們描述為“嵌入到運動協處理器上的始終線上處理器（AOP - Always on Processor）”

“Hey Siri！”是如何工作的？

當你第一次啟用這個功能時，它會提示你說一定次數的“Hey Siri！”。然後你的iPhone將這些聲音儲存起來，用做將來識別你的個性化聲音的“觸發鍵”。

這個個性化的“觸發鍵”儲存在協處理器中，即使你的手機處於空閒狀態，協處理器也會偵聽（而不是聽到）落到麥克風上的所有聲音。

因此，當聲音落在麥克風上，並與“觸發鍵”匹配成功後，協處理器就會啟用主處理器開始錄音（就像我們長按主螢幕按鈕開啟Siri一樣）。然後，該錄音被髮送到伺服器，並以類似於每個語音助手的過程進行解釋。

想象一下這個過程，就好像你擁有數千把鑰匙，你正試圖找到哪把鑰匙正好匹配你要開啟的鎖。

這裡要注意的重要一點是，AOP處理器（A9）總是在“偵聽”而不是“聽”使用者的聲音。

它就像一個嬰兒，他一直在聽人說話，但無法完全處理聽到的話，只有在呼喚他的名字時，它才會被觸發而開始工作。

M9運動協處理器於2015年9月與iPhone 6s一起釋出。但正如本文一開始所說，“Hey Siri！”功能早於2014年9月就已經推出。那麼，早期版本的iPhone 是如何能夠“被動地”偵聽呢？

好吧，如果你碰巧認識一個擁有iPhone 6的人，你可以檢查一下“Hey Siri！”。即使你的手機處於空閒狀態（螢幕關閉），該功能也只能在充電模式下工作。正如我們可以簡單地推斷的那樣，它僅僅能在充電時獲取少量的額外電量。看看下面iPhone 6 Siri的設定截圖：

“Hey Siri！”背後的演算法

使用者的聲音會以0。01秒為一幀的單位被取樣下來，然後每次將20個這樣的幀（0。2秒），連續輸入到深度神經網路（DNN），神經網路將這些聲音轉換為機率密度函式，當該函式值超過最低閾值時，從而啟用主處理器。

DNN訓練

這裡的閾值不是固定不變的，而是根據背景噪聲而變化。因此，為了清楚地理解，你可以說DNN每時每刻都在計算閾值。

此外，當第一次記錄你的語音樣本並生成“觸發鍵”時，實際上是在訓練該DNN並定義權重以計算機率。

對於不同的口音，DNN的訓練是不同的。例如，“Hey Siri”的發音有點像美國英語中的“Serious”，只是它沒有標點符號。而“Hey Siri！”中的“ i”發音長度不同，而且帶有一個驚歎號。

“Hey Siri”背後的數學計算

下面的內容是為所有機器學習愛好者準備的：）。

這是深度神經網路（DNN）模型：

DNN模型

總的機率函式如下：

其中：

F（i，t）是模型中狀態i的累計分數

q（i，t）是聲學模型的輸出。這個輸出是語音類別的對數分數，它與時間t附近給定語音模式的第i個狀態有關

s（i）是和留在狀態i相關的開銷

m（i）是從狀態i繼續向後移動的開銷

這裡的s（i）和m（i）與定義“觸發鍵”時訓練的權重相關，可以這樣假設：

s（i）- 由“觸發鍵”的單個幀決定，取決於音調、音量等引數。

m（i）- 取決於“觸發鍵”的頻率，或簡而言之速度，以及s（i）引數改變的大小和快慢。

例如：m（i）和 s（i）對埃米納姆（Eminem）和阿黛爾（Adele）來說是非常不同的，因為埃米納姆唱得更快（實際上要快得多），同時變化較小。而阿黛爾唱得更慢些，而且變化更大。

考慮到處理功率和電池消耗，對於協處理器（32層）和主處理器（192層），DNN中的層級大小是不同的。

“Hey Siri！”這項功能雖然沒有被廣泛宣傳，但它卻是朝著自動化和提高行動電話易用性邁出的革命性一步。它也可以被視為一個很好的例子，說明一個小小的改變如何對使用者體驗產生巨大的影響，以及這些小小的革命性改變有時需要進行廣泛的研究。

原文連結：https：//hackernoon。com/how-does-hey-siri-work-without-your-iphone-listening-to-you-at-all-times-827932do

本文為 CSDN 翻譯，轉載請註明來源出處。