语音助手实现自然多轮对话的新突破

某中心最新推出的对话模式标志着语音AI领域的重大进展。该模式让用户无需重复唤醒词即可与设备进行更自然的交互。

技术实现原理

视觉设备定向检测（CVDD）

通过估计设备视野内每个人的头部方向来测量视觉设备定向性。传统方法采用基于几何的PnP技术，但实际场景中精度较低。创新方案使用线性组合模板三维头部模型，通过深度神经网络推断模板系数，并量化模型权重以降低计算开销。实验表明该方法较PnP方案将视觉定向检测的误拒率降低近80%。

音频设备语音活动检测（DVAD）

采用可分离卷积神经网络处理音频信号，通过分解滤波器矩阵来减轻计算负担。经过架构优化和矩阵分解调优，在保持低延迟的同时，相较于纯视觉模型将误拒率降低83%。该模型特别有效减少环境噪声和设备自身响应触发的误唤醒，分别实现80%和42%的降低。

技术优势

• 支持多用户同时交互
• 通过视听特征融合实现低延迟响应
• 突破传统唤醒词交互模式的限制

该技术持续优化方向包括实现"指代性打断"功能，允许用户通过特定表达中断选项列表。这项创新既提升了用户体验，也在科学研究层面开辟了新天地。

研究领域：对话式AI、计算机视觉
技术标签：语音助手、设备定向语音检测