穀歌開（kāi）源AI能區分聲音 準確率（lǜ）達92%

據VentureBeat報道，在語音嘈雜（zá）的環境中，要想分辨出有幾個人講話、在什麽時間講話，對於（yú）機器（qì）來說非常困難。但穀歌人工智能（AI）研究部門在（zài）語音識別方麵取得了新進展，能以（yǐ）92%的準確率識別出每個人聲音的專屬模式。

穀歌AI研究部門在最新名為《Fully Supervised Speaker Diarization》的論（lùn）文和相關博客文章中，研究（jiū）人員描述了一種新的AI係統，它“能以一種更有效的方式識別聲音”。

圖1：穀歌智能音箱Google Home

這套係統涉（shè）及到Speaker diarization任務（wù），即需（xū）要標注出“誰”從（cóng）“什麽時候”到“什麽時候”在說話，將語音樣本分割成獨特的、同構片段的過程。強大的（de）AI係統必須能夠（gòu）將新的演講者發（fā）音（yīn）與它以前從未遇到過的語音片段關聯（lián）起（qǐ）來。

這篇論文的作者聲稱，核心算法已（yǐ）經（jīng）可在（zài）Github上的開源軟件中可用，它實現了一個在線二值化錯誤率(DER)，在NIST SRE 2000 CALLHOME基準上是7.6%，這對於實時應用來說已經足夠低了（le），而穀歌之前使用的方法DER為8.8%。

穀歌研究人員的新方法是通過遞歸神經網絡(RNN)模擬（nǐ）演講者的嵌入(如詞匯和短語的（de）數學表示（shì）），遞歸神經網絡是一種機器（qì）學習（xí）模型，它可以利用內部狀態來處理輸入序列。每個演講者都從自己的RNN實例開始（shǐ），該實例不斷更新給（gěi）定新嵌入的RNN狀態，使係統能夠（gòu）學習發言者（zhě）共享的高（gāo）級知識。

研究人員在論文中寫道:“由於該係統（tǒng）的所（suǒ）有組件都可以在監督環境下學習，所以在（zài）有高質量時間（jiān）標記演講（jiǎng）者標簽訓練數據的情況下，它比無監督係統更受青睞。我們（men）的係統受到（dào）全麵監督，能夠從帶（dài）有時間戳的（de）演（yǎn）講者標簽例子中學習（xí）。”

在未來的（de）工作中，研究團隊（duì）計劃改進模型，使其能夠集成上下文信息來執行脫機解碼（mǎ），他們希望這將進一步減少DER。研究人員還希望能（néng）夠直（zhí）接對聲學特征進行建模，這樣整個Speaker diarization係統就可以進行端到（dào）端訓練。