Q2：能解释一下你刚刚提到的各种高大上的名词吗？
A：按照便于大家理解但是并不严谨的方式来说，“机器学习” 就是统计，在大量数据中统计出来一些具体的参数；“神经网络” 简单说就是 “分级优化”；“深度学习” 是机器学习的一个分支，经常和神经网络一起出现，可以简单的理解为分级优化中每一级的内容都是从数据中统计出来。这些名词我们放在具体的例子中就比较好理解了。
Q3：给我们讲讲语音识别？
A：我们先从语音交互的第一步，“语音识别” 开始。（如图所示）声音从源头发出（声源），被话筒接收，转化成电信号。这个电信号放大来看，是一些连续的波形信号。我们把这个连续的信号截成一小段一小段的，每一小段通过一种方法转换成一小串数字，这样才能进行后面的处理。
转换的方法是这里面最重要的一步了。这套规则，可以是依据经验人为制定的，也可以是通过大量数据的统计，辅助制定和优化的。后面这种方法就是我们所谓的深度学习，我们放到图像识别里面讲，更好理解一些。
转换了以后就是一个与标准库比对的过程了。比如说，现在这个音，转换完以后是（前半音）XXX XXX XXX XXX +（后半音）YYY YYY YYY YYY，然后标准库里面 A 的发音对应特征值是 XXY YYX XXX XXX+YYY YXX YYS YYZ，B 的发音对应特征值是 XXY YYY YYY YYY+YYX YYX XXX YYY，那我们就知道这个音与 A 更接近（75%），不太可能是 B（17%）。
更高级一点，还可以根据先后顺序的关系进行匹配，比如按人类的语言习惯，A 之后接 B 的概率更高，接 K 的概率很低，把这个概率算进去，准确率能进一步提升。
Q4：这个标准库怎么来？
A：比如说，你找 100 个人读 1000 次 A，然后让机器把这每一个都转换成特征值，总的一起取个平均值，就出来 A 的标准库了。这个标准库是基于大量数据统计出来的结果（取平均值也是一种统计方法），这个过程就像是机器自己听了很多遍学会了一样，所以称为 “机器学习”。除了读音，各种组合的前后关系，也都是统计出来的。
标准库的建立要尽量的复合实际场景，这样才能找出更符合使用场景的统计规律，从而达到更精准的识别。高大上的产品，比如说科大讯飞，多年的积累使得其可是支持多种方言，比如说出门问问，能支持几十个场景。说白了，这个是一个劳动量密集的体力活。大公司，钱多人多，可以做大而全；小公司，有限资金有限工作量，在有限场景下，用户感知不出来任何区别。
Q5：语音识别和语义理解是什么关系？
A：可以这么理解，所谓语音识别，是把音翻译成字和句；语义理解，则是针对句子，给予反馈。语义理解可以分为两种类型，一种是命令 / 数据索取式的，有明确答案的；一种是聊天式的，开放性答案的。
第一种，比如问：北京今天空气质量如何？答：空气指数 356。这个回答与问题的对应关系，称之为 “规则”。问同一个问题有比较多种问法，为了扩大每一个规则的适用范围，需要做一些语言结构的拆分重构，主谓宾定状补，灵活调整。
比如顺序的调换：北京今天空气质量如何？VS 今天北京空气质量如何？
比如替换同近义词：北京今天空气质量如何？VS 北京今天天气质量如何？
更进一步的，可以增加上下文理解。比如记住上一句话的内容，替换一个下一句话的词汇。
