喧鬧中你也能辨識(shí)熟人聲音 谷歌AI也想做到這點(diǎn)

　　4月16日消息，據(jù)Ars Technica報(bào)道，谷歌研究人員開發(fā)出一種深度學(xué)習(xí)系統(tǒng)，旨在幫助計(jì)算機(jī)更好地識(shí)別和分離出嘈雜環(huán)境中的個(gè)體聲音。

　　正如谷歌本周在Google Research Blog上所稱，該公司內(nèi)部團(tuán)隊(duì)正試圖復(fù)制“人類大腦專注于某個(gè)聲音來源同時(shí)可過濾掉其他聲音”這種能力，就像你在就會(huì)上只與某個(gè)朋友交談。谷歌的方法中使用了一個(gè)視聽模型，所以它主要集中于在視頻中隔離聲音。該公司發(fā)布了些YouTube視頻，展示了該技術(shù)的實(shí)際應(yīng)用情況。

　　谷歌表示，這項(xiàng)技術(shù)可以應(yīng)用與使用單一音軌的視頻，并能在視頻算法中隔離聲音，這取決于誰在說話，或者是讓用戶手動(dòng)選擇他們想聽到的聲音的人臉。谷歌稱，這里的視覺組件是關(guān)鍵，因?yàn)楫?dāng)某人的嘴在動(dòng)時(shí)，這項(xiàng)技術(shù)會(huì)觀察到，以便能在特定時(shí)刻更好地識(shí)別在某人的聲音，并為視頻的長度創(chuàng)建更精確的個(gè)人語音軌跡。

　　這篇博客文章寫道，研究人員在YouTube上收集了10萬段“講座和談話”視頻，從這些視頻中提取了近2000小時(shí)的視頻片段，并將音頻與人工背景噪聲混合，創(chuàng)造了“合成雞尾酒派對(duì)”。然后谷歌通過閱讀人們在每個(gè)視頻框架中說話的“臉縮略圖”和該視頻原聲帶的譜圖，訓(xùn)練技術(shù)人員將混合音頻進(jìn)行拆分。該系統(tǒng)能夠分辨出哪個(gè)音頻源在給定的時(shí)間內(nèi)屬于哪張人臉，并為每個(gè)揚(yáng)聲器創(chuàng)建單獨(dú)的語音軌跡。

　　谷歌特別指出，封閉字幕系統(tǒng)是該系統(tǒng)的一個(gè)優(yōu)勢，但該公司表示，它設(shè)想了“這一技術(shù)的廣泛應(yīng)用”，并且“目前正在探索將其納入各種谷歌產(chǎn)品的機(jī)會(huì)”。Hangouts和YouTube似乎是兩個(gè)容易起步的地方。當(dāng)應(yīng)用到智能眼鏡(比如谷歌眼鏡、語音放大耳塞)中時(shí)，不難看出該技術(shù)是如何工作的。

　　幫助像谷歌Home這樣的智能音箱識(shí)別個(gè)人聲音，這似乎是另一個(gè)用例，但是因?yàn)檫@個(gè)模型集中在視頻上，它可能與配有顯示器的智能音箱合作效果會(huì)更好，比如亞馬遜的Echo Show。今年早些時(shí)候，谷歌為“智能顯示設(shè)備”(如Echo Show)集成了Google Assistant，但該公司還沒有發(fā)布自己的類似硬件產(chǎn)品。

　　在任何情況下，這種技術(shù)的隱私后果似乎和潛在的用例同樣明顯。在上面的例子中，谷歌的聲音隔離遠(yuǎn)遠(yuǎn)不是安全無憂的，進(jìn)行更細(xì)微的調(diào)整后，它可以讓強(qiáng)大的竊聽和監(jiān)視工具落入壞人之手。