*文章出處：INSIDE人物專訪
核稿編輯：INSIDE-Mia
與圖像識別、資料探勘並列，語音識別可說是目前機器學習商業應用的顯學之一，在台灣致力中文語音識別的人也不少，最出名的就像 PTT 創世神杜奕瑾創辦的 Taiwan AI Labs 就有發展自己的通用型模型並推出「雅婷逐字稿」APP，又或是威盛電子還有推出 OLAMI 語音、語意的 API 供第三方使用。
但在這麼多研發台灣中文語音識別的科技廠商中，創辦人沈書緯具有 Google 背景的「Aiello」絕對是相當顯眼的存在。從商業模式來看，他們創業第一步不選擇投入泛用型中文語音模型，而是把旅宿當第一個進攻的垂直領域，為旅宿業智慧音箱設計專用的「小美犀 AI 智能語音助理」，是以軟體為本，但又具豐富 AIoT 整合經驗的 AI 新創公司。
作為 AIoT 專題的一部分，INSIDE 與 Aiello 創辦人沈書緯 Vic 進行了一次深入訪談來了解他們打造中文自然語言理解 NLU、自然語言處理 NLP 的經驗，以下使用 Q&A 方式進行：
A：從個人角度來說，我高中開始就想創業了，也是為了創業才去 Google 這間全球數一數二的科技公司。我在 Google 時負責的就是 Google Home、Google Assistant 的 NLU，那時只要是要用到 Google Assistant 的軟硬體，基本上我都會接觸到。
就是這段工作經驗讓我察覺 NLU、NLP 逐漸開始出現技術突破點，有創業的可能性。當然，那時候在 Google 內部升遷也很有機會，但我更想自己創業，從頭到尾建立一間自己想要的公司、做自己想做的產品。
我可以分享一下：在機器學習普及化之前，對 NLU、NLP 大量研究心血的是語文科學家，而不是軟體工程師。但到了機器學習開始普及化，甚至到 Alexa 開始流行時，NLU、NLP 已經大量導入機器學習。不過反過來說，機器學習在 NLU、NLP 還是有很多待開拓空間的。如果說機器學習導入影像識別有 90 分水準的話，NLU 大概只有 5、60 分。
補充：NLU 是理解，NLP 是執行，NLU 幫你把意圖、名詞猜出來，但知道你想要什麼後，還要交給 NLP 幫你把行動執行。
A：好，我分享第一個難關在於中文跟英文的模型本質差異。如果鎖定垂直領域，看場景、習慣性的話，我認為英文的 NLU、NLP 已經有 70、80 分的水準。
但是，NLU 的技術本身是從英文所原生發展的，像是語料、模型都是從英文來的，甚至全世界英文的數位資料量也遠遠比其他語言還多。這讓 NLU、NLP 的中文開發者都適用「遷移式訓練」，除非你是非常大或是有特殊目地的公司，不然不可能從零開始重練一套中文專用的語言模型，大多都是直接拿 GPT-3 或其他開源模型重新訓練。
延伸上一點，中文、英文這兩種語言本體的差異對訓練模型來說就會很明顯，中文本身特性是連結詞與贅詞特別多，而且中文是用「字拼成詞」，不像英文由一個詞一個詞個別所組成。我舉個例子：「我在野生動物園玩」這句話，在中文是在野生動物園裡面遊玩，但只要訓練一不小心，電腦就會把「在野」這個詞特別拿出來翻，兩者可是天差地遠。
當然，上訴問題不是不能解決的，但會大大提升模型訓練的困難度。關於這點，如果是把 NLU 運用在一個垂直領域、特定情境，自然準確度就能提升。
A：這有三點可以分享，第一點是模型，我們的確也不是重頭訓練一個新的中文 NLU、NLP，而是找開放模型。但第二點我們一開始就想鎖定一個垂直領域做 NLU，我會把它稱為從「科學」到「商用化」的過程。怎麼說呢？一個垂直領域一定有很多專業術語、也會有特定的情境，舉個例子，我今天做一個披薩店的客服 NLU，那使用者就不會問美股的情報或天氣如何，而是專心訂一個披薩；那我自然就不用去處理問美或天氣的資料。
第三是 NLU 做到 100 分，不代表 NLP 做到 100 分！我舉例假設是在飯店裡講「我要開燈」好了，這句話很單純，NLU 判別這種單純的語意準確力很高，但 NLP 的處理細節很差，它沒辦法找到對應的 API 去開飯店的燈，那也無效，不是完整的服務。
所以我們的 Know-How 很大一部分在於針對行業專用語意、情境建立產業知識圖譜，用架構資料告訴 NLP 需要做什麼，只要節點出現越多、該詞彙出現越多次，那 NLP 就會越清楚知道要什麼。
A：Aiello 的服務核心是 NLP 平台與可以對應不同產業的 API，現在除了旅宿以外，也有金融業的 API 了，而能大幅優化 B to B 場景。
再舉個例子，如果有買 Google Home 的朋友應該可以理解，Google Home 的「智慧家庭」是「是 DIY Smart Home」什麼意思呢？就是使用者要享受便利的智慧家電之前，還要自己花一點時間去跟每台智慧家電連結，你要語音操作前，還要知道你的燈泡、冷氣、冰箱、電視跟掃地機器人叫什麼名字。
但你走進一間飯店房間時，總不會知道這盞檯燈、那盞落地燈叫什麼名字吧！我們的 NLP 平台就是在這裡下了巧思，讓使用者可以依照自己想要的情境、亮度、舒適度去語音操控。
根據統計，我們的使用者 90% 沒用過智慧音箱，所以沒辦法用 Google Home 那種邏輯提供智能服務。另外我們要把 NLP 平台適用在智慧音箱，在 IoT 整合也做過不少調整。像只要牽涉到聲學，就一定要處理回音消除（Acoustic Echo Cancelling，AEC）的問題。音箱有幾個麥克風？哪裡收音比較不清楚？然後到底要用多少 CPU 資源分配給 AEC？或是要用哪些喚醒詞、哪些詞又要特別注意不要跟喚醒詞搞混？
又或是智慧音箱跟雲端連線要消耗多少封包跟運算資源？要不要 device 內對資料壓縮？這些我們都有特別用心調整，而且我們還特別對飯店有做訂製化系統，每間飯店房間用的燈、裝置一定有細微差異，但我們的系統可以讓不管是 A 音箱、B 音箱，只要換 IP、MAC 跟房間對應好，那能讓不同音箱馬上使用了。
A：又要回到 NLU 的話題了（笑）。很多人都想像 NLU 是拿來取代遙控器或 App 的，但從商業成本來看，這是不太對的，像電視遙控器對消費者來說是一件三塊美金就可以做很好的事，而且你用語音取代電視遙控，還會剝奪一直轉台的樂趣，實在不值得花兩億去開發解決這種事情（笑）。
但旅宿這種垂直領域就很不一樣了，一方面系統一旦開發完成，它能很快地被飯店採用、迅速複製，而且能確實幫飯店精簡人力與提升，是個很有 end to end 價值的市場。
A：先聊聊也有參與這輪的基石創投好了，我們跟基石在這一輪之前就已經合作過了，他們很理解目前網路語音 chatbot 的侷限，所以看好 NLP 可以在電商跟其他領域的發展。ColoplNext 他們則觀察在亞洲認真在做 NLU、NLP 的公司其實不多，但 NLU、NLP 的當地化又非常重要，他們很看好亞洲 NLU、NLP 的商務應用，想看誰會成為未來亞洲語音應用的市場先驅。