摘要
人机交互（Human-computer interaction, HCI）深受语音对话系统响应延迟的影响。为此，近期提出了一种端到端（end-to-end, e2e）语音语言理解（spoken language understanding, SLU）方案，旨在降低系统延迟。此类方法可直接从语音信号中提取语义信息，从而无需依赖自动语音识别（automatic speech recognition, ASR）系统生成的文本转录。本文提出一种适用于流式场景的轻量级e2e SLU架构，该架构通过连续处理语音信号的片段，实时预测意图和槽位值。所提模型基于三维卷积神经网络（3D convolutional neural network, 3D-CNN）与单向长短期记忆网络（unidirectional long short-term memory, LSTM）。我们对比了两种无需对齐的损失函数：连接主义时序分类（connectionist temporal classification, CTC）方法及其改进版本——连接主义时序定位（connectionist temporal localization, CTL）。其中，CTL不仅能够完成序列分类，还可实现对音频事件的时间定位。所提方法在Fluent Speech Command数据集上进行了评估，实验结果表明，该模型能够有效处理实时输入的语音信号，在单标签分类任务中，CTC与CTL的准确率分别达到98.97%和98.78%；在双标签预测任务中，准确率分别达到95.69%和95.28%。