Google 在 I/O 2018 发布 Duplex

背景

许多日常事务最后仍要落到一通电话上：确认时间、改约、问一家企业有没有空档。把这类通话自动化，比看上去难得多。电话另一头的人不会照着剧本走，可能打断，可能反问，并且期待在很短的时间内得到回应。

发布

2018年5月8日，Google 在 I/O 开发者大会上公开了名为 Google Duplex 的技术^[2]。Google 在自家 AI 博客上把它介绍为一项新技术，用来通过电话进行自然对话，从而完成现实世界中的任务^[1]。Google 表示，这项技术针对的是具体任务，例如安排某几类预约，而不是一般意义上的聊天^[1]。

技术做法

Google 把一个设计决定称为关键的研究洞见：Duplex 被刻意限制在封闭领域（closed domain）之内。在一个狭窄的任务里，它能够完成自己这一侧的对话，但它无法进行一般性的交谈^[1]。

系统的核心是一个递归神经网络（recurrent neural network）。这类模型按步骤依次处理序列，并在处理当前输入时保留对前文的记忆。它用 TensorFlow Extended 构建，并用经过匿名处理的电话通话数据训练^[1]。

声音方面，Google 把两类文本转语音（text-to-speech, TTS）引擎结合起来：一类是拼接式引擎，用真人语音的片段拼出话语；另一类是借助 Tacotron 与 WaveNet 的合成式引擎，直接由模型生成音频。系统还加入了「嗯」「呃」这类口语中的填充音^[1]。这些填充音之所以重要，是因为人说话时几乎不断产生它们；没有它们，合成语音往往干净得不自然。

限制是一体两面的：它让任务变得可解，同时也划定了系统的上限——狭窄领域之外的事情都不在范围内^[1]。

透明性与争议

Google 表示，透明是这个服务的关键部分，希望把通话的意图表达清楚，让商家明白这通电话的来意^[1]。

外界关注的正是这一点是否足够。《华盛顿邮报》报道说，在演示通话中，AI 并没有说明自己是机器，而它是否应当披露这一点，立即引来了审视^[2]。同一篇报道援引 Google 工程师的说法，他们将在接下来的几个月里「试验合适的做法」^[2]。

意义

这次发布把一个具体案例摆到了公众面前：一个在电话里听起来足够像人的系统，而电话另一头的人并没有简便的办法分辨。它让关于对话式智能体的抽象讨论，变成了一个设计层面的实际问题——系统是否应该在通话开始时表明身份，以及怎样表明。Google 自己的表述是透明很重要、做法仍在摸索，这成了那场讨论的起点^[1][2]。