ระบบโต้ตอบด้วยเสียง

ระบบโต้ตอบด้วยเสียง (Spoken Dialog System หรือ SDS) คือระบบคอมพิวเตอร์ที่ถูกออกแบบมาเพื่อให้สามารถสนทนาโต้ตอบกับมนุษย์ผ่านทางเสียงได้ โดยมีความแตกต่างจากระบบโต้ตอบด้วยข้อความทั่วไปตรงที่มีการเพิ่มส่วนประกอบสำคัญสองส่วน คือ ระบบจดจำเสียงพูด (Speech Recognizer) และโมดูลการสังเคราะห์เสียงเป็นข้อความ (Text-to-Speech) เพื่อให้การสื่อสารเป็นไปอย่างธรรมชาติ

นอกจากนี้ ระบบโต้ตอบด้วยเสียงยังมีความแตกต่างจากระบบสั่งการด้วยเสียง (Command and Control Speech Systems) ซึ่งทำหน้าที่เพียงตอบสนองต่อคำสั่งเฉพาะเจาะจง แต่ไม่มีความสามารถในการรักษาความต่อเนื่องของการสนทนาหรือบริบทของการโต้ตอบในระยะยาว

องค์ประกอบของระบบโต้ตอบด้วยเสียง

การทำงานของระบบโต้ตอบด้วยเสียงประกอบด้วยส่วนประกอบหลักหลายส่วนที่ทำงานประสานกัน ดังนี้:

• ระบบจดจำเสียงพูดอัตโนมัติ (Automatic Speech Recognizer - ASR): ทำหน้าที่แปลงสัญญาณเสียงพูดของมนุษย์ให้กลายเป็นข้อความ (Text) โดยสามารถแบ่งเป็นระบบจดจำเสียงเฉพาะโดเมน (Domain-specific) สำหรับแอปพลิเคชันที่มีคำศัพท์จำกัด และระบบจดจำเสียงแบบคลาวด์ (Cloud Recognizer) ซึ่งเหมาะสำหรับโดเมนที่มีคำศัพท์หลากหลายและกว้างขวาง
• การทำความเข้าใจภาษาธรรมชาติ (Natural Language Understanding - NLU): ทำหน้าที่แปลงข้อความที่ได้จาก ASR ให้กลายเป็นโครงสร้างแนวคิด (Concept Structure) เพื่อให้ระบบสามารถเข้าใจเจตนาของผู้ใช้และนำไปขับเคลื่อนพฤติกรรมของระบบได้
• ตัวจัดการการสนทนา (Dialog Manager): ทำหน้าที่ควบคุมลำดับการโต้ตอบแบบผลัดกันพูด (Turn-by-turn) ในระบบพื้นฐานอาจใช้โครงสร้างแบบต้นไม้ (Tree-like structure) เพื่อนำทางผู้ใช้ตามคำถามที่กำหนดไว้ แต่ในระบบที่ซับซ้อนขึ้นจะใช้ระบบแบบเฟรม (Frame-based) ซึ่งเปิดโอกาสให้ผู้ใช้เป็นฝ่ายริเริ่มการสนทนาได้มากขึ้น และมีกลไกในการจัดการกับความเข้าใจผิดหรือการขอคำชี้แจงเพิ่มเติม
• ตัวให้เหตุผลในโดเมน (Domain Reasoner): หรือส่วนหลังบ้าน (Back-end) ทำหน้าที่ใช้ฐานความรู้ (Knowledge Base) เพื่อดึงข้อมูลที่จำเป็นและช่วยสร้างคำตอบ โดยทำงานร่วมกับตัวจัดการการสนทนาเพื่อรักษาบริบทของการโต้ตอบ ทำให้ระบบสามารถแสดงความสามารถในการสนทนาคล้ายมนุษย์ เช่น การใช้คำสรรพนามอ้างถึงสิ่งที่พูดไปก่อนหน้า (Anaphora)
• การสร้างคำตอบ (Response Generation): มีลักษณะคล้ายกับการสร้างภาษาธรรมชาติแบบข้อความ แต่จะปรับให้เหมาะสมกับการสื่อสารด้วยเสียง โดยใช้โครงสร้างไวยากรณ์ที่เรียบง่ายขึ้น จำกัดปริมาณข้อมูลในหนึ่งประโยค และใช้เครื่องหมายทางสัทศาสตร์ (Prosodic markers) เพื่อให้ผู้ฟังเข้าใจข้อมูลได้ง่ายขึ้น รวมถึงการใช้เทคนิค Lexical Entrainment เพื่อจูงใจให้ผู้ใช้พูดในรูปแบบที่ระบบจดจำได้แม่นยำขึ้น
• การสังเคราะห์เสียงพูด (Text-to-Speech Synthesis - TTS): ทำหน้าที่แปลงข้อความคำตอบให้เป็นเสียงพูด โดยอาจใช้การนำไฟล์เสียงที่บันทึกไว้มาต่อกัน (Concatenation) หรือใช้เทคนิคการสังเคราะห์เสียงที่ยืดหยุ่นกว่าเพื่อรองรับคำศัพท์จำนวนมากและสามารถกำหนดบุคลิกภาพ (Personality) ของเสียงได้

ประเภทของระบบโต้ตอบด้วยเสียง

ระบบโต้ตอบด้วยเสียงมีความซับซ้อนแตกต่างกันไปตามวัตถุประสงค์การใช้งาน:

• ระบบสนทนาแบบนำทาง (Directed Dialog Systems): เป็นระบบที่เรียบง่ายที่สุด โดยผู้พัฒนาจะกำหนดเส้นทางการสนทนาเป็นกราฟหรือต้นไม้ ซึ่งผู้ใช้อาจไม่ได้รับความยืดหยุ่นในการโต้ตอบตามความต้องการจริง
• ระบบเข้าถึงข้อมูล (Information Access Systems): มักใช้โครงสร้างแบบฟอร์ม (Form-based) ช่วยให้ผู้ใช้มีความยืดหยุ่นในการระบุเงื่อนไขการค้นหาข้อมูลได้มากขึ้น แต่ยังคงมีข้อจำกัดในด้านความสามารถโดยรวม
• ระบบแก้ปัญหา (Problem-solving Dialog Systems): เป็นระบบที่มีความซับซ้อนสูง สามารถรองรับกิจกรรมที่หลากหลาย เช่น การเข้าถึงข้อมูล การสร้างแผนการดำเนินงาน และการนำแผนนั้นไปปฏิบัติจริง

ตัวอย่างการประยุกต์ใช้งาน

ประวัติความเป็นมา

ผู้บุกเบิกในด้านระบบโต้ตอบด้วยเสียงเริ่มต้นจากบริษัทอย่าง AT&T ซึ่งพัฒนาระบบจดจำเสียงพูดในช่วงทศวรรษ 1970 ตามมาด้วยห้องปฏิบัติการ CSELT ในยุโรปที่นำโครงการวิจัยสำคัญ เช่น SUNDIAL ในช่วงทศวรรษ 1980 หลังจากสิ้นสุดโครงการของ DARPA ในสหรัฐอเมริกา