用户和天猫精灵通过语音交互的一个典型流程分析

虽然从普通用户眼中，使用语音向天猫精灵发起指令，然后收到后者的语音回复，这个流程似乎很简单，但背后实际上有着人工智能中 ASR（语音识别）、NLP（自然语言处理）、TTS（语音合成）等自然语言处理技术的参与和整合。

我们先来看一个典型的用户通过语音同天猫精灵交互的流程图。

1. 用户用语音唤醒天猫精灵，后者接收到用户语音，上传到智能应用平台。
2. 平台使用 ASR（音频转文字）和 NLP（自然语言处理）技术，智能解析出用户发出语音包含的意图(通俗的说，即用户当前期望天猫精灵完成什么样的操作)。平台会自动将当前用户指令，匹配到开发人员创建的对应的技能和意图去。具体的匹配过程，就是将平台所有解析到的参数信息，通过 HTTPS 请求访问开发者提供的服务接口。
3. 开发者负责实现的服务(托管在自己的应用服务器或者阿里云 Serverless 环境)，接收到平台发送的请求参数，执行业务逻辑(比如天气预报查询，智力题，语音游戏等)，并组装回复结果。
4. 智能应用平台收到开发者服务执行完业务逻辑返回的响应数据后，使用 TTS（文字转音频）合成音频，并将音频推送回天猫精灵。
5. 天猫精灵将收到的音频通过麦克风播报出来，本轮同用户的交互就完成了。

分析这个交互场景，不难发现，需要开发人员动手操作的流程包含以下两个方面：

1. 在 AliGenie 技能应用平台上创建新的技能和意图，用于接收用户通过语音发送过来的请求。
2. 应用开发人员自己选择在应用服务器还是 Serveless 运行环境里实现新的技能需要完成的业务逻辑编写。