0
雷鋒網(wǎng)注：本文作者黃釗，圖靈機(jī)器人人才戰(zhàn)略官，前騰訊產(chǎn)品經(jīng)理，5年AI實(shí)戰(zhàn)經(jīng)驗(yàn)，8年互聯(lián)網(wǎng)背景，微信公眾號(hào)/知乎/在行ID“hanniman”，飯團(tuán)“AI產(chǎn)品經(jīng)理大本營(yíng)”，分享人工智能相關(guān)原創(chuàng)干貨。雷鋒網(wǎng)獲取授權(quán)發(fā)布。
最近，在飯團(tuán)“AI產(chǎn)品經(jīng)理大本營(yíng)”里，有團(tuán)員提問(wèn)：如何制定針對(duì)自然語(yǔ)言語(yǔ)音交互系統(tǒng)的評(píng)價(jià)體系？有沒(méi)有通用的標(biāo)準(zhǔn)？例如在車載環(huán)境中，站在用戶角度，從客觀，主觀角度的評(píng)價(jià)指標(biāo)？
上周，我在專屬微信群內(nèi)拋出了這個(gè)問(wèn)題，當(dāng)晚，@胡含、@我偏笑、@艷龍 等朋友就分享了不少干貨心得；最近幾天，在@飛艷 同學(xué)的協(xié)助整理下，我又補(bǔ)充了一些信息，最終形成這篇文章，以饗大家。
本文，具體介紹了下面5大方面的行業(yè)實(shí)戰(zhàn)評(píng)價(jià)指標(biāo)：
一、語(yǔ)音識(shí)別
二、自然語(yǔ)言處理
三、語(yǔ)音合成
四、對(duì)話系統(tǒng)
五、整體用戶數(shù)據(jù)指標(biāo)
語(yǔ)音識(shí)別（Automatic Speech Recognition），一般簡(jiǎn)稱ASR，是將聲音轉(zhuǎn)化為文字的過(guò)程，相當(dāng)于人類的耳朵。
1、識(shí)別率
看純引擎的識(shí)別率，以及不同信噪比狀態(tài)下的識(shí)別率（信噪比模擬不同車速、車窗、空調(diào)狀態(tài)等），還有在線/離線識(shí)別的區(qū)別。
實(shí)際工作中，一般識(shí)別率的直接指標(biāo)是“WER（詞錯(cuò)誤率，Word Error Rate）”
定義：為了使識(shí)別出來(lái)的詞序列和標(biāo)準(zhǔn)的詞序列之間保持一致，需要進(jìn)行替換、刪除或者插入某些詞，這些插入、替換或刪除的詞的總個(gè)數(shù)，除以標(biāo)準(zhǔn)的詞序列中詞的總個(gè)數(shù)的百分比，即為WER。
公式為：
Substitution——替換
Deletion——?jiǎng)h除
Insertion——插入
N——單詞數(shù)目
3點(diǎn)說(shuō)明
1）WER可以分男女、快慢、口音、數(shù)字/英文/中文等情況，分別來(lái)看。
2）因?yàn)橛胁迦朐~，所以理論上WER有可能大于100%，但實(shí)際中、特別是大樣本量的時(shí)候，是不可能的，否則就太差了，不可能被商用。
3）站在純產(chǎn)品體驗(yàn)角度，很多人會(huì)以為識(shí)別率應(yīng)該等于“句子識(shí)別正確的個(gè)數(shù)/總的句子個(gè)數(shù)”，即“識(shí)別（正確）率等于96%”這種，實(shí)際工作中，這個(gè)應(yīng)該指向“SER（句錯(cuò)誤率，Sentence Error Rate）”，即“句子識(shí)別錯(cuò)誤的個(gè)數(shù)/總的句子個(gè)數(shù)”。不過(guò)據(jù)說(shuō)在實(shí)際工作中，一般句錯(cuò)誤率是字錯(cuò)誤率的2~3倍，所以可能就不怎么看了。
2、語(yǔ)音喚醒相關(guān)的指標(biāo)
先需要介紹下語(yǔ)音喚醒（Voice Trigger，VT）的相關(guān)信息。
A）語(yǔ)音喚醒的需求背景：近場(chǎng)識(shí)別時(shí)，比如使用語(yǔ)音輸入法時(shí)，用戶可以按住手機(jī)上siri的語(yǔ)音按鈕，直接說(shuō)話（結(jié)束之后松開(kāi)）；近場(chǎng)情況下信噪比（Signal to Noise Ratio, SNR）比較高，信號(hào)清晰，簡(jiǎn)單算法也能做到有效可靠。
但是在遠(yuǎn)場(chǎng)識(shí)別時(shí)，比如在智能音箱場(chǎng)景，用戶不能用手接觸設(shè)備，需要進(jìn)行語(yǔ)音喚醒，相當(dāng)于叫這個(gè)AI（機(jī)器人）的名字，引起ta的注意，比如蘋果的“Hey Siri”，Google的“OK Google”，亞馬遜Echo的“Alexa”等。
B）語(yǔ)音喚醒的含義：簡(jiǎn)單來(lái)說(shuō)是“喊名字，引起聽(tīng)者（AI）的注意”。如果語(yǔ)音喚醒判斷結(jié)果是正確的喚醒（激活）詞，那后續(xù)的語(yǔ)音就應(yīng)該被識(shí)別；否則，不進(jìn)行識(shí)別。
C）語(yǔ)音喚醒的相關(guān)指標(biāo)
a）喚醒率。叫AI的時(shí)候，ta成功被喚醒的比率。
b）誤喚醒率。沒(méi)叫AI的時(shí)候，ta自己跳出來(lái)講話的比率。如果誤喚醒比較多，特別比如半夜時(shí)，智能音箱突然開(kāi)始唱歌或講故事，會(huì)特別嚇人的……
c）喚醒詞的音節(jié)長(zhǎng)度。一般技術(shù)上要求，最少3個(gè)音節(jié)，比如“OK Google”和“Alexa”有四個(gè)音節(jié)，“Hey Siri”有三個(gè)音節(jié)；國(guó)內(nèi)的智能音箱，比如小雅，喚醒詞是“小雅小雅”，而不能用“小雅”——如果音節(jié)太短，一般誤喚醒率會(huì)比較高。
d）喚醒響應(yīng)時(shí)間。之前看過(guò)傅盛的文章，說(shuō)世界上所有的音箱，除了Echo和他們做的小雅智能音箱能達(dá)到1.5秒，其他的都在3秒以上。
e）功耗（要低）。看過(guò)報(bào)道，說(shuō)iPhone 4s出現(xiàn)Siri，但直到iPhone 6s之后才允許不接電源的情況下直接喊“Hey Siri”進(jìn)行語(yǔ)音喚醒；這是因?yàn)橛?s上有一顆專門進(jìn)行語(yǔ)音激活的低功耗芯片，當(dāng)然算法和硬件要進(jìn)行配合，算法也要進(jìn)行優(yōu)化。
以上a、b、d相對(duì)更重要。
D）其他
涉及AEC（語(yǔ)音自適應(yīng)回聲消除，Automatic Echo Cancellation）的，還要考察WER相對(duì)改善情況。
自然語(yǔ)言處理（Natural Language Processing），一般簡(jiǎn)稱NLP，通俗理解就是“讓計(jì)算機(jī)能夠理解和生成人類語(yǔ)言”。
1、準(zhǔn)確率、召回率
附上之前文章《AI產(chǎn)品經(jīng)理需要了解的數(shù)據(jù)標(biāo)注工作入門》中，分享過(guò)的一段解釋：
準(zhǔn)確率：識(shí)別為正確的樣本數(shù)/識(shí)別出來(lái)的樣本數(shù)
召回率：識(shí)別為正確的樣本數(shù)/所有樣本中正確的數(shù)
舉個(gè)栗子：全班一共30名男生、20名女生。需要機(jī)器識(shí)別出男生的數(shù)量。本次機(jī)器一共識(shí)別出20名目標(biāo)對(duì)象，其中18名為男性，2名為女性。則
精確率=18/（18+2）=0.9
召回率=18/30=0.6
再補(bǔ)充一個(gè)圖來(lái)解釋：
2、F1值（精準(zhǔn)率和召回率的調(diào)和平均數(shù)）
模型調(diào)優(yōu)后追求F1值提升，準(zhǔn)確率召回率單獨(dú)下降在一個(gè)小區(qū)間內(nèi)，整體F1值的增量也是分區(qū)間看（F1值在60%內(nèi)，與60%以上肯定是不一樣的，90%以上可能只追求1%的提升）。
P是精準(zhǔn)率，R是召回率，F(xiàn)a是在F1基礎(chǔ)上做了賦權(quán)處理：Fa=（a^2+1）PR/（a^2P+R）
語(yǔ)音合成（Text-To-Speech），一般簡(jiǎn)稱TTS，是將文字轉(zhuǎn)化為聲音（朗讀出來(lái)），類比于人類的嘴巴。大家在Siri等各種語(yǔ)音助手中聽(tīng)到的聲音，都是由TTS來(lái)生成的，并不是真人在說(shuō)話。
主觀測(cè)試（自然度），以MOS為主：
1、MOS（Mean Opinion Scores），專家級(jí)評(píng)測(cè)（主觀）；1-5分，5分最好。
2、ABX，普通用戶評(píng)測(cè)（主觀）。讓用戶來(lái)視聽(tīng)兩個(gè)TTS系統(tǒng)，進(jìn)行對(duì)比，看哪個(gè)好。
客觀測(cè)試：
1、對(duì)聲學(xué)參數(shù)進(jìn)行評(píng)估，一般是計(jì)算歐式距離等（RMSE，LSD）。
2、對(duì)工程上的測(cè)試：實(shí)時(shí)率（合成耗時(shí)/語(yǔ)音時(shí)長(zhǎng)），流式分首包、尾包，非流式不考察首包；首包響應(yīng)時(shí)間（用戶發(fā)出請(qǐng)求到用戶感知到的第一包到達(dá)時(shí)間）、內(nèi)存占用、CPU占用、3*24小時(shí)crash率等。
對(duì)話系統(tǒng)（Dialogue System），簡(jiǎn)單可以理解為Siri或各種Chatbot所能支持的聊天對(duì)話體驗(yàn)。
1、用戶任務(wù)達(dá)成率（表征產(chǎn)品功能是否有用以及功能覆蓋度）
1）比如智能客服，如果這個(gè)Session最終是以接入人工為結(jié)束的，那基本就說(shuō)明機(jī)器的回答有問(wèn)題?；蛘咧貜?fù)提供給用戶相同答案等等。
2）分專項(xiàng)或分意圖的統(tǒng)計(jì)就更多了，不展開(kāi)了。
2、對(duì)話交互效率，比如用戶完成一個(gè)任務(wù)的耗時(shí)、回復(fù)語(yǔ)對(duì)信息傳遞和動(dòng)作引導(dǎo)的效率、用戶進(jìn)行語(yǔ)音輸入的效率等（可能和打斷，One-shot等功能相關(guān)）；具體定義，各個(gè)產(chǎn)品自己決定。
3、根據(jù)對(duì)話系統(tǒng)的類型分類，有些區(qū)別。
1）閑聊型
A）CPS（Conversations Per Session，平均單次對(duì)話輪數(shù)）。這算是微軟小冰最早期提出的指標(biāo)，并且是小冰內(nèi)部的（唯一）最重要指標(biāo)；
B）相關(guān)性和新穎性。與原話題要有一定的相關(guān)性，但又不能是非常相似的話；
C）話題終結(jié)者。如果機(jī)器說(shuō)過(guò)這句話之后，通常用戶都不會(huì)繼續(xù)接了，那這句話就會(huì)給個(gè)負(fù)分。
2）任務(wù)型
A）留存率。雖然是傳統(tǒng)的指標(biāo)，但是能夠發(fā)現(xiàn)用戶有沒(méi)有形成這樣的使用習(xí)慣；留存的計(jì)算甚至可以精確到每個(gè)功能，然后進(jìn)一步根據(jù)功能區(qū)做歸類，看看用戶對(duì)哪類任務(wù)的接受程度較高，還可以從用戶的問(wèn)句之中分析發(fā)出指令的習(xí)慣去針對(duì)性的優(yōu)化解析和對(duì)話過(guò)程；到后面積累的特征多了，評(píng)價(jià)機(jī)制建立起來(lái)了，就可以上強(qiáng)化學(xué)習(xí)；比如：之前百度高考，教考生填報(bào)志愿，就是這么弄的；
B）完成度（即，前文提過(guò)的“用戶任務(wù)達(dá)成率”）。由于任務(wù)型最后總要去調(diào)一個(gè)接口或者觸發(fā)什么東西來(lái)完成任務(wù)，所以可以計(jì)算多少人進(jìn)入了這個(gè)對(duì)話單元，其中有多少人最后調(diào)了接口；
C）相關(guān)的，還有（每個(gè)任務(wù)）平均slot填入輪數(shù)或填充完整度。即，完成一個(gè)任務(wù)，平均需要多少輪，平均填寫了百分之多少的槽位slot。對(duì)于槽位的基礎(chǔ)知識(shí)介紹，可詳見(jiàn)《填槽與多輪對(duì)話 | AI產(chǎn)品經(jīng)理需要了解的AI技術(shù)概念》。
3）問(wèn)答型
A）最終求助人工的比例（即，前文提過(guò)的“用戶任務(wù)達(dá)成率”相關(guān)）；
B）重復(fù)問(wèn)同樣問(wèn)題的比例；
C）“沒(méi)答案”之類的比例。
整體來(lái)說(shuō)，行業(yè)一般PR宣傳時(shí)，會(huì)更多的提CPS。其他指標(biāo)看起來(lái)可能相對(duì)太瑣碎或不夠高大上，但是，實(shí)際工作中，可能CPS更多是面向閑聊型對(duì)話系統(tǒng)，而其他的場(chǎng)景，可能更應(yīng)該從“效果”出發(fā)。比如，如果小孩子哭了，機(jī)器人能夠“哭聲安慰”，沒(méi)必要對(duì)話那么多輪次，反而應(yīng)該越少越好。
4、語(yǔ)料自然度和人性化的程度
目前對(duì)于這類問(wèn)題，一般是使用人工評(píng)估的方式進(jìn)行。這里的語(yǔ)料，通常不是單個(gè)句子，而是分為單輪的問(wèn)答對(duì)或多輪的一個(gè)session。一般來(lái)講，評(píng)分范圍是1~5分：
1分或2分：完全答非所問(wèn)，以及含有不友好內(nèi)容或不適合語(yǔ)音播報(bào)的特殊內(nèi)容；
3分：基本可用，問(wèn)答邏輯正確；
4分：能解決用戶問(wèn)題且足夠精煉；
5分：在4分基礎(chǔ)上，能讓人感受到情感及人設(shè)。
另外，為了消除主觀偏差，采用多人標(biāo)注、去掉極端值的方式，是當(dāng)前普遍的做法。
常規(guī)互聯(lián)網(wǎng)產(chǎn)品，都會(huì)有整體的用戶指標(biāo)；AI產(chǎn)品，一般也會(huì)有這個(gè)角度的考量。
1、DAU（Daily Active User，日活躍用戶數(shù)，簡(jiǎn)稱“日活”）
在特殊場(chǎng)景會(huì)有變化，比如在車載場(chǎng)景，會(huì)統(tǒng)計(jì)“DAU占比（占車機(jī)DAU的比例）”。
2、被使用的意圖豐富度（使用率>X%的意圖個(gè)數(shù)）。
3、可嘗試通過(guò)用戶語(yǔ)音的情緒信息和語(yǔ)義的情緒分類評(píng)估滿意度。
尤其對(duì)于生氣的情緒檢測(cè)，這些對(duì)話樣本是可以挑選出來(lái)分析的。比如，有公司會(huì)統(tǒng)計(jì)語(yǔ)音中有多少是罵人的，以此大概了解用戶情緒。還比如，在同花順手機(jī)客戶端中，拉到最底下，有個(gè)一站式問(wèn)答功能，用戶對(duì)它說(shuō)“怎么登錄不上去”和說(shuō)“怎么老是登錄不上去”，返回結(jié)果是不一樣的——后者，系統(tǒng)檢測(cè)到負(fù)面情緒，會(huì)提示轉(zhuǎn)接人工。
本篇分享，介紹了現(xiàn)在行業(yè)內(nèi)對(duì)語(yǔ)音交互系統(tǒng)的常見(jiàn)評(píng)價(jià)指標(biāo)，一方面，是提供給各位AI產(chǎn)品經(jīng)理以最接地氣的相關(guān)信息；另一方面，也是希望大家基于這些指標(biāo)，打造出更好的產(chǎn)品體驗(yàn)效果。
雷峰網(wǎng)版權(quán)文章，未經(jīng)授權(quán)禁止轉(zhuǎn)載。詳情見(jiàn)轉(zhuǎn)載須知。
