Aug, 2023

设备上的智能助手语言理解

PDF
TL;DR近期，手机和其他个人设备上运行个人数字助手成为可能。本文描述了在设备上运行的自然语言理解系统的设计。与基于服务器的助手相比，该系统更具隐私性、可靠性、速度更快、表达能力更强且更准确。我们描述了关于架构和技术的关键选择。例如，对话系统文献中的一些方法在部署环境中难以长期维护。希望通过分享我们的实践经验，能够为未来的研究工作提供有益信息。
发现论文，激发创造
  • 上下文中理解自然语言

    本文旨在研究自然语言交互与认知机器人、知识表达形式、计划工具和翻译过程的结合应用，以提高其在日常生活中的任务完成效率。

    May, 2022

  • 周到之物：用小型语言模型构建以人为本的智能设备

    提出了 thoughtful things 这种设备，利用轻量级本地语言模型执行操作并解释行为，以解决智能设备使用的复杂性和语音助手的局限性。

    May, 2024

  • 边缘上的口语理解

    本文介绍了一种嵌入式的、面向小型物联网应用的 Spoken Language Understanding 系统，并证明其性能可以与基于云的商业解决方案相媲美。同时，我们还提供了我们实验使用的数据集，旨在促进 SLU 社区的可重复性和有益性。

    Oct, 2018

  • 面向设备的语音识别通用语言建模

    本研究旨在探索不同的数据和架构驱动的语言建模方法，以构建一个单一应用程序不可知的模型，其优化了设备内存使用，同时保持了速度和准确性。其中两种前馈体系结构可以在不同设备约束之间找到最佳权衡，与特定应用程序的解决方案相比，可将硬盘占用减半。

    May, 2023

  • 朝着真正的智能应用程序：研究智能手机内置 AI 应用程序中的人工智能交互

    本研究探索手机应用程序中的人工智能功能使用现状，总结了三种主要的交互模式类型，并实施了一个多方面的搜索启用画廊，研究结果表明了我们发现的有用性。

    Jul, 2023

  • 端设备个性化语音识别模型的研究调查

    本文探讨利用个人化的端到端语音识别模型在移动设备上安全训练，使用户数据和模型不离开设备和服务器，以提高数据隐私和可扩展性。实验结果表明，在设备个性化的情况下，相对词误差率降低了 63.7％，性能略有下降（18.7％）但是最终实现了更好的数据隐私保护。

    Sep, 2019

  • 通过人机对话改善基于场景的自然语言理解

    该论文介绍了一种将自然语言命令翻译成离散机器人动作的方法，并使用澄清对话共同改进语言解析和概念基础。将这个代理程序训练和评估在亚马逊的 Mechanical Turk 平台上的虚拟环境，并在真实环境中将学习到的代理迁移到物理机器人平台进行演示。

    Mar, 2019

  • Snips Voice Platform: 面向私有设计的嵌入式语音理解系统，用于语音接口

    本论文介绍 Snips 语音平台的机器学习体系结构，可在典型的物联网设备微处理器上执行口语理解。所嵌入的推理快速准确，具有隐私保护设计，从不收集用户数据。重点关注自动语音识别和自然语言理解，详细说明了我们训练高性能机器学习模型的方法，使其小到足以在小型设备上实时运行。此外，我们还描述了一种数据生成过程，提供足够的高质量训练数据，而不会危及用户隐私。

    May, 2018

  • 基于任务导向和非任务导向的口语对话系统结合的智能助理对话检测

    研究智能助手是否可以匹配用户的聊天意图，构建了新的数据集以及使用推特和 Web 搜索查询来处理无特定领域的用户发言，实验结果表明，使用 tweets 和 Web 搜索查询可以进一步提高智能助手的 F1 分数。

    May, 2017

  • 朝向端到端口语理解

    本文研究了口语理解系统的端到端学习方法，能够直接从音频特征中推断语义意义，而不需要中间文本表示。研究表明，该模型能够获得合理好的结果，并能直接从音频特征中捕捉语义注意力。

    Feb, 2018