據(jù)VentureBeat報道，在語音嘈雜的環(huán)境中，要想分辨出有幾個人講話、在什么時間講話，對于機器來說非常困難。但谷歌人工智能(AI)研究部門在語音識別方面取得了新進展，能以92%的準確率識別出每個人聲音的專屬模式。
谷歌AI研究部門在最新名為《Fully Super vised Speaker Diarization》的論文和相關博客文章中，研究人員描述了一種新的AI系統(tǒng)，它“能以一種更有效的方式識別聲音”。
這套系統(tǒng)涉及到Speaker diarization任務，即需要標注出“誰”從“什么時候”到“什么時候”在說話，將語音樣本分割成獨特的、同構片段的過程。強大的AI系統(tǒng)必須能夠將新的演講者發(fā)音與它以前從未遇到過的語音片段關聯(lián)起來。
這篇論文的作者聲稱，核心算法已經(jīng)可在Github上的開源軟件中可用，它實現(xiàn)了一個在線二值化錯誤率(DER)，在NIST SRE 2000 CALLHOME基準上是7.6%，這對于實時應用來說已經(jīng)足夠低了，而谷歌之前使用的方法DER為8.8%。
谷歌研究人員的新方法是通過遞歸神經(jīng)網(wǎng)絡(RNN)模擬演講者的嵌入(如詞匯和短語的數(shù)學表示)，遞歸神經(jīng)網(wǎng)絡是一種機器學習模型，它可以利用內部狀態(tài)來處理輸入序列。每個演講者都從自己的RNN實例開始，該實例不斷更新給定新嵌入的RNN狀態(tài)，使系統(tǒng)能夠學習發(fā)言者共享的高級知識。
研究人員在論文中寫道:“由于該系統(tǒng)的所有組件都可以在監(jiān)督環(huán)境下學習，所以在有高質量時間標記演講者標簽訓練數(shù)據(jù)的情況下，它比無監(jiān)督系統(tǒng)更受青睞。我們的系統(tǒng)受到全面監(jiān)督，能夠從帶有時間戳的演講者標簽例子中學習。”
在未來的工作中，研究團隊計劃改進模型，使其能夠集成上下文信息來執(zhí)行脫機解碼，他們希望這將進一步減少DER。研究人員還希望能夠直接對聲學特征進行建模，這樣整個Speaker diarization系統(tǒng)就可以進行端到端訓練。
下載文檔
