[[249335]]

 據 VentureBeat 報道，Google 人工智能研究部門在語音識別方面取得了新的進展，能從嘈雜的環(huán)境中分辨聲音，準確率高達 92%。Google 人工智能研究部門在一篇名為《Fully Super vised Speaker Diarization》的論文中描述了這一新的 AI 系統(tǒng)，稱它“能以一種更有效的方式識別聲音”。

這套強大的 AI 系統(tǒng)涉及到 Speaker diarization 任務，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。還能將新的演講者發(fā)音與它以前從未遇到過的語音片段關聯(lián)起來。

其核心算法已經開源可用。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%，這對于實時應用來說已經足夠低了，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網絡(RNN)模擬演講者的嵌入(如詞匯和短語的數學表示），遞歸神經網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據的情況下，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。