这不仅是极其宝贵的传统搜索资产（正如我在之前的博客文章中所讨论的）،而且在争取语音可见性的斗争中也是一笔巨大的财富.
皮特·迈尔斯博士告诉我们،谷歌助手可以从任何复杂程度的片段内容中提取答案.
简单的答案——例如关于体育赛事结果、天气等搜索——会直接给出答案。但对于那些需要专业知识的用户，系统会默认显示网站内容,解释这些信息的来源.
目前，尚不清楚谷歌计划如何帮助我们理解和归因此类访问，但据内部人需 Golees تلاش کریں即将推出这项功能.
测量显然是向上推销任何语音策略提案的重要一步，并为单个站点或品牌提供证据،证明该媒体正在发展并且值得投资.
用户意图和购买
这些数据还将帮助我们了解语音如何改变传统的转化渠道和购买倾向等.
我们知道内容在传统用户体验中的重要性，但在语音世界中，内容会有何不同？我们在”打字互联网”时代所熟知的许多规则肯定会被改写.
将某种程度的逻辑应用于挑战,很明显,显示一定程度即时性的搜索具有更夻值، 即人们通过家庭助理或手机搜索某个事物的位置或同一事物的时间和/或或或
虽然在打字搜索中，我们更倾向于使用简单的短语（我们称之为“核心词”），但语音搜索的世界却要复杂得多。以下是触发语音搜索的词语分类：
为了更好地理解这一点،让我们研究一下潜在的搜索”对话”۔
如果我们以产品搜索为例，比如说购买一台新的割草机，对话可能会像这样：
[我] 500 英镑以下最好的旋转式割草机是什么？
[语音助手] 据 لان موور ہٹ [读出选择]最初，语音很难理解如何转到下一个合乎逻辑的问题，例如:
[语音助手] 您想要旋转式割草机还 海外数据 是滚筒式割草机？ 或者，更好的是…… [语音助手]你的草坪完全平整吗？[我]不是. [语音助手]好的，我可以推荐旋转式割草机吗？如果是的话，那么你有两个选择推荐旋转بی ایم سی لان ریسر۔
在这种情况下，我们的语音助手将这些点连接起来并询问下一个相关问题،以帮助以自然的方式缩小搜索范围.
自然语言处理
然而،要做到这一点،需要提高计算机处理能力،我们正 如何为贸易展会创建有效的潜在客户恢复系统 在努力解决这一挑战,以提供更高水平的语音搜索.
解决这一难题需要使用所谓的深 人工智慧文本 度神经网络（DNN），即旨在模拟大脑神经网络的互连处理单元层。
DNN 可以处理语音、图像、词序和位置等所有内容，然后将它们分类。
它依靠大量数据的输入来学习如何对这些东西进行分类。随着语音应用的加速，这些数据堆将迅速增长。