智慧屏AI人機(jī)交互能力評(píng)價(jià)研究

李 瑋

（中國(guó)信息通信研究院泰爾終端實(shí)驗(yàn)室，北京 100191）

0 引 言

人工智能是引領(lǐng)新一輪科技革命的戰(zhàn)略性技術(shù)，是帶動(dòng)產(chǎn)業(yè)升級(jí)、推動(dòng)經(jīng)濟(jì)高質(zhì)量發(fā)展的動(dòng)力引擎。伴隨著5G、移動(dòng)互聯(lián)網(wǎng)、云計(jì)算及物聯(lián)網(wǎng)等技術(shù)和基礎(chǔ)設(shè)施的建設(shè)和成熟，人工智能賦能垂直領(lǐng)域已成為新的產(chǎn)業(yè)趨勢(shì)[1]。以人工智能技術(shù)為代表的人機(jī)交互發(fā)生了革命性發(fā)展，各廠商紛紛搶占智能家居入口進(jìn)行戰(zhàn)略布局，家庭生活中的電視成為人工智能賦能的最佳載體。

2019年，華為公司首先提出了智慧屏概念并推出了兩款智慧屏產(chǎn)品，將智能語音和AI影像搭載在電視上，并與手機(jī)App賬戶綁定，實(shí)現(xiàn)更加智能化、友好的人機(jī)交互。隨后，長(zhǎng)虹、聯(lián)想、海爾及榮耀等多個(gè)廠商相繼推出智慧屏產(chǎn)品，成為電視領(lǐng)域新的增長(zhǎng)點(diǎn)和亮點(diǎn)。整體來看，智慧屏的產(chǎn)品性能和用戶體驗(yàn)一直在穩(wěn)步提升，尤其是在人工智能、5G及物聯(lián)網(wǎng)等技術(shù)和產(chǎn)業(yè)發(fā)展的趨勢(shì)下，智慧屏必將是智能產(chǎn)品研發(fā)、生態(tài)構(gòu)造及產(chǎn)業(yè)布局的新的突破點(diǎn)和升級(jí)范例。

1 智慧屏發(fā)展史

電視的發(fā)展經(jīng)歷了傳統(tǒng)電視、互聯(lián)網(wǎng)電視及智能電視等不同的發(fā)展階段，其發(fā)展特點(diǎn)如表1所示。

表1 電視的不同發(fā)展階段及其特點(diǎn)

隨著人工智能、物聯(lián)網(wǎng)以及云計(jì)算等技術(shù)的不斷進(jìn)步，智能電視創(chuàng)新演進(jìn)出了新的產(chǎn)品形態(tài)——智慧屏，推動(dòng)智能家居環(huán)境多種終端的智能人機(jī)交互技術(shù)發(fā)展。通過更加自然、多模態(tài)的交互控制，消費(fèi)者可以得到更豐富、多形態(tài)及定制化的用戶體驗(yàn)。

智慧屏“智慧能力”的提升主要體現(xiàn)在影音質(zhì)感、人機(jī)交互、家居控制以及業(yè)務(wù)場(chǎng)景等方面，其中，消費(fèi)者感知最直接、最明顯的就是人機(jī)交互。除了可以使用傳統(tǒng)的實(shí)體遙控外，智慧屏搭載的智能語音模塊和攝像頭等設(shè)備，為家庭用戶提供了多模態(tài)的交互能力，如近遠(yuǎn)場(chǎng)語音交互、手勢(shì)交互、多屏協(xié)同以及姿態(tài)識(shí)別等AI交互能力，為用戶帶來更加便捷的交互方式，也使得家庭視頻、工作會(huì)議以及AI健身等以智慧屏為載體落地到智慧家庭生活中[2]。

2 智慧屏AI交互性能測(cè)評(píng)

本章將著重介紹基于智慧屏的人機(jī)交互技術(shù)測(cè)評(píng)研究，主要包括語音交互和手勢(shì)交互兩大部分。其中，語音交互圍繞語音采集與識(shí)別、語義理解、語音合成與播放以及語音技能等進(jìn)行研究；手勢(shì)交互圍繞手勢(shì)采集、識(shí)別以及基本操控等進(jìn)行研究。

2.1 語音交互性能

2.1.1 語音采集與識(shí)別

智慧屏的人工智能語音服務(wù)可通過傳聲器或麥克風(fēng)陣列等拾音設(shè)備對(duì)語音、連續(xù)語音進(jìn)行單聲道或多聲道的采集，一般支持8 kHz或16 kHz的采樣率，16 bit及以上的采樣精度，并以PCM、OPUS或SPEEX標(biāo)準(zhǔn)進(jìn)行編碼。對(duì)于連續(xù)性音頻，可采用30 s或60 s為單位進(jìn)行切片分割[3]。智慧屏可對(duì)采集的音頻進(jìn)行語言端點(diǎn)檢測(cè)，以便區(qū)分用戶說話的自然停頓和主觀停止。根據(jù)目標(biāo)用戶群體的語言習(xí)慣和使用場(chǎng)景，可設(shè)置不同的端點(diǎn)檢測(cè)時(shí)長(zhǎng)，從而實(shí)現(xiàn)語音識(shí)別響應(yīng)速度和交互體驗(yàn)友好的平衡。

智慧屏應(yīng)支持家庭場(chǎng)景下關(guān)鍵詞語音識(shí)別，如影視、音樂、健康及教育等領(lǐng)域；應(yīng)支持?jǐn)?shù)字、電話號(hào)碼、中英文混合識(shí)別及多方言（普通話、閩南語、粵語、四川話等）識(shí)別；在不同的噪聲環(huán)境中識(shí)別率應(yīng)至少達(dá)到80%，不同噪聲環(huán)境聲壓級(jí)下的識(shí)別率要求如表2所示。

表2 不同噪聲環(huán)境聲壓級(jí)識(shí)別率

此外，智慧屏還應(yīng)支持聲紋識(shí)別即說話人識(shí)別，應(yīng)可根據(jù)聲紋識(shí)別的結(jié)果，實(shí)現(xiàn)對(duì)不同身份用戶的差異化服務(wù)，如系統(tǒng)訪問權(quán)限和內(nèi)容服務(wù)的權(quán)限等；聲紋識(shí)別錯(cuò)誤拒絕率不應(yīng)大于10%，錯(cuò)誤接受率不應(yīng)大于5%。

2.1.2 語義理解

智慧屏語音交互應(yīng)支持對(duì)簡(jiǎn)稱、別名、代碼及數(shù)字的理解；支持用戶表達(dá)錯(cuò)字、缺字及模糊說法的容錯(cuò)理解；支持多輪、全雙工對(duì)話的人機(jī)交互方式；語義理解正確率應(yīng)大于90%。

語音交互應(yīng)支持查詢類技能，通過語音播報(bào)加信息展示的形式向用戶反饋；應(yīng)支持媒資檢索類技能，通過語音播報(bào)加搜索結(jié)果展示的形式向用戶反饋；應(yīng)支持技能處理遇到異常場(chǎng)景時(shí)通過語音或者文本展示的形式向用戶反饋。

2.1.3 語音合成與播放

智慧屏語音交互應(yīng)支持離線語音合成，包括中文普通話和英語語種，宜支持多種方言、多音色合成以及個(gè)性化合成，包括女聲、男聲及卡通等音色，中英文數(shù)字等各種混合音，用戶自定義讀音和分詞。平均意見得分（Mean Opinion Score，MOS）應(yīng)大于或等于4.0（滿分5.0）。MOS評(píng)估標(biāo)準(zhǔn)如表3所示[4]。

表3 合成語音MOS評(píng)估標(biāo)準(zhǔn)表

2.1.4 語音搜索

智慧屏語音搜索需覆蓋并同步廠商所合作的媒體內(nèi)容提供商和用戶安裝的第三方應(yīng)用的媒體資源。媒體資源包括但不限于影音、教育、健身、游戲及其他應(yīng)用內(nèi)的資源，影視媒體搜索標(biāo)簽應(yīng)包括名稱、主演、上映時(shí)間及類型，宜包括季集、導(dǎo)演、簡(jiǎn)介、評(píng)分及熱度等信息；音樂媒資搜索標(biāo)簽應(yīng)包括名稱、歌手、音樂來源及類型，宜包括地區(qū)、簡(jiǎn)介、評(píng)分及熱度等信息；游戲媒資應(yīng)包括名稱和類型，宜包括簡(jiǎn)介、評(píng)分及熱度等信息；應(yīng)用媒資應(yīng)包括名稱和類型，宜包括簡(jiǎn)介、評(píng)分及熱度等信息。語音搜索應(yīng)支持單維度搜索、多維度搜索、對(duì)象關(guān)系搜索、多輪搜索及模糊搜索等。

（1）單維度搜索。只限定某一個(gè)槽值進(jìn)行搜索，示例如表4所示。

表4 單維度搜索示例

（2）多維度搜索。對(duì)多個(gè)槽值進(jìn)行組合搜索，示例如表5所示。

表5 多維度搜索示例

（3）對(duì)象關(guān)系搜索。通過親屬、朋友等關(guān)系進(jìn)行信息搜索，示例如表6所示。

表6 對(duì)象關(guān)系搜索示例

（4）多輪搜索。在已經(jīng)包含一個(gè)或多個(gè)槽值的情況下，進(jìn)行槽值新增或替換，示例如表7所示。

表7 多輪搜索示例

（5）模糊搜索。搜索無結(jié)果或者無具體槽值信息時(shí)，結(jié)合語音發(fā)出者的年齡和性別信息進(jìn)行搜索，示例如表8所示。

表8 模糊搜索示例

2.1.5 語音與IPTV的交互

IPTV內(nèi)已經(jīng)有各種成熟的直播、點(diǎn)播、回看及應(yīng)用等內(nèi)容服務(wù)，語音能力在進(jìn)行落地時(shí)，需要充分考慮與已有內(nèi)容服務(wù)的對(duì)接，滿足用戶基本的IPTV功能使用需求。

對(duì)于用戶基本的頻道選擇，智慧屏語音可提供實(shí)體鍵的語音交互、喚醒語音交互兩種功能之一，用戶按下遙控器上的語音按鍵或講喚醒指令將智慧屏喚醒，說出頻道名稱或者頻道編號(hào)，智慧屏將進(jìn)入選擇頻道播放畫面。例如，用戶對(duì)智慧屏說“中央六臺(tái)電影頻道”，智慧屏將直接切換到中央第六頻道進(jìn)行播放。

此外，用戶還可以通過點(diǎn)播實(shí)現(xiàn)操控智慧屏播放相關(guān)視頻的功能。例如，用戶通過說出音視頻內(nèi)容的名稱、主演、類型、國(guó)家地區(qū)及年份等信息或這些信息的組合，可以搜索到滿足條件的音視頻內(nèi)容，并可通過遙控或語音選中目標(biāo)，實(shí)現(xiàn)播放。

2.2 手勢(shì)交互性能

2.2.1 手勢(shì)采集

智慧屏應(yīng)支持使用攝像頭模組或具有視頻圖像采集功能的設(shè)備進(jìn)行手勢(shì)信號(hào)采集，以獲取用戶發(fā)出的手勢(shì)信號(hào)，包括支持各種角度的手勢(shì)采集和真實(shí)室內(nèi)光照條件（自然光和燈光等）下的手勢(shì)檢測(cè)[5]。

2.2.2 手勢(shì)識(shí)別

智慧屏應(yīng)支持靜態(tài)手勢(shì)（如握拳、OK、數(shù)字等靜態(tài)手勢(shì)）識(shí)別，并支持在真實(shí)室內(nèi)光照條件（自然光和燈光等）下的靜態(tài)手勢(shì)識(shí)別，允許存在一定的角度旋轉(zhuǎn)；應(yīng)支持動(dòng)態(tài)手勢(shì)識(shí)別，比如手掌張開左右揮動(dòng)、手掌從張開到并攏等，并支持在真實(shí)室內(nèi)光照條件（自然光和燈光等）下的動(dòng)態(tài)手勢(shì)識(shí)別。靜態(tài)和動(dòng)態(tài)手勢(shì)識(shí)別要求如表9和表10所示。

表9 靜態(tài)手勢(shì)識(shí)別要求

表10 動(dòng)態(tài)手勢(shì)識(shí)別要求

2.2.3 基本操控

智慧屏手勢(shì)交互應(yīng)可實(shí)現(xiàn)上下翻頁、返回上級(jí)頁面等操作；支持通過手勢(shì)交互實(shí)現(xiàn)確認(rèn)和取消等操作；支持實(shí)現(xiàn)音量加、減、靜音及取消靜音等操作；支持實(shí)現(xiàn)音視頻的播放操控，如播放、暫停、繼續(xù)播放、重放、快進(jìn)及快退等；支持實(shí)現(xiàn)對(duì)設(shè)備的基礎(chǔ)控制操作如打開設(shè)置頁面和關(guān)機(jī)等。

3 結(jié) 語

我國(guó)智慧家庭產(chǎn)業(yè)已經(jīng)具備一定的基礎(chǔ)，隨著智慧家庭市場(chǎng)容量的日趨擴(kuò)大，國(guó)內(nèi)廠商之間的競(jìng)爭(zhēng)也將越來越激烈，對(duì)智慧家庭產(chǎn)品的組網(wǎng)通信、個(gè)性化服務(wù)、主動(dòng)交互以及隱私保護(hù)要求都會(huì)變得更高。因此，行業(yè)需不斷突破智慧家庭應(yīng)用服務(wù)相關(guān)技術(shù)，提升智慧家庭產(chǎn)業(yè)鏈關(guān)鍵環(huán)節(jié)產(chǎn)品、系統(tǒng)及服務(wù)質(zhì)量，不斷滿足消費(fèi)者的用戶體驗(yàn)需求，為家用智慧大屏市場(chǎng)拓展發(fā)展空間。