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(zhǔn)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 Supervised Speaker Diarization》的論文和相關(guān)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(wù)，即需要標(biāo)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(gòu)片段的過程。強大的AI系統(tǒng)必須能夠?qū)⑿碌难葜v者發(fā)音與它以前從未遇到過的語音片段關(guān)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(zhǔn)上是7.6%，這對于實時應(yīng)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(luò)(RNN)模擬演講者的嵌入(如詞匯和短語的數(shù)學(xué)表示），遞歸神經(jīng)網(wǎng)絡(luò)是一種機器學(xué)習(xí)模型，它可以利用內(nèi)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?qū)W習(xí)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(xué)習(xí)，所以在有高質(zhì)量時間標(biāo)記演講者標(biāo)簽訓(xùn)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(biāo)簽例子中學(xué)習(xí)?！?/p>

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(xué)特征進行建模，這樣整個Speaker diarization系統(tǒng)就可以進行端到端訓(xùn)練。