（文章來(lái)源：雷鋒網(wǎng)）

蘋果公司的跨平臺(tái) Siri 虛擬助手在全球有著超過(guò) 5 億用戶，顯然，語(yǔ)音識(shí)別是蘋果感興趣的重要領(lǐng)域之一。蘋果公司發(fā)表了一系列預(yù)印本研究論文，就如何改進(jìn)語(yǔ)音觸發(fā)檢測(cè)和說(shuō)話人驗(yàn)證，以及多說(shuō)話人的語(yǔ)言識(shí)別技術(shù)進(jìn)行了研究。在第一篇論文中，一組蘋果研究人員提出了一個(gè)訓(xùn)練過(guò)的人工智能模型，這個(gè)模型既能執(zhí)行自動(dòng)語(yǔ)音識(shí)別任務(wù)，也能執(zhí)行說(shuō)話人識(shí)別任務(wù)。

正如他們?cè)谡兴忉尩模Z(yǔ)音助手識(shí)別的命令通常以觸發(fā)短語(yǔ)（例如，“嘿，Siri”）為前綴，檢測(cè)這個(gè)觸發(fā)短語(yǔ)涉及兩個(gè)步驟。首先，人工智能必須判斷輸入音頻中的語(yǔ)音內(nèi)容是否與觸發(fā)短語(yǔ)的語(yǔ)音內(nèi)容相匹配（語(yǔ)音觸發(fā)檢測(cè)）；其次，人工智能必須判斷說(shuō)話者的語(yǔ)音是否與注冊(cè)用戶或用戶的語(yǔ)音相匹配（語(yǔ)音驗(yàn)證）。

通常情況下，這兩項(xiàng)任務(wù)都是被獨(dú)立考慮的。但有合著者假設(shè)，對(duì)語(yǔ)音發(fā)起者的了解可能有助于推斷出聲音信號(hào)中的語(yǔ)音內(nèi)容，反之亦然，這將有助于對(duì)這兩種屬性進(jìn)行評(píng)估。對(duì)此，研究人員設(shè)計(jì)了三套能夠?qū)W習(xí)語(yǔ)音和說(shuō)話人信息的模型，并對(duì)一組數(shù)據(jù)進(jìn)行訓(xùn)練，這些數(shù)據(jù)包含超過(guò) 16000 小時(shí)的帶注釋的樣本，其中 5000 小時(shí)的音頻有語(yǔ)音標(biāo)簽（其余的為說(shuō)話人標(biāo)簽）。

不僅如此，還有超過(guò) 100 名受試者使用智能揚(yáng)聲器設(shè)備在一系列聲學(xué)設(shè)置中為語(yǔ)料庫(kù)做出貢獻(xiàn)，包括安靜的房間、來(lái)自房間內(nèi)電視或廚房設(shè)備的外部噪音，以及錄音機(jī)以大音量播放音樂。值得一提的是，來(lái)自電視、廣播和播客的 2000 小時(shí)不包含觸發(fā)短語(yǔ)的連續(xù)音頻記錄也被添加進(jìn)來(lái)，以此來(lái)測(cè)量“誤報(bào)”率。

這些模型顯示出了學(xué)習(xí)語(yǔ)音和說(shuō)話人信息的能力，同時(shí)在相同數(shù)量的參數(shù)下，每個(gè)任務(wù)的準(zhǔn)確性至少與基線模型相同。事實(shí)上，在提出的三種模型中，有一種在“多重”設(shè)置下的表現(xiàn)優(yōu)于說(shuō)話者驗(yàn)證基線，在文本無(wú)關(guān)的任務(wù)中相對(duì)于基線提高了 7.6%。研究人員認(rèn)為，這樣的實(shí)驗(yàn)結(jié)果是十分有趣的，因?yàn)檫@些模型是使用不相關(guān)的數(shù)據(jù)集訓(xùn)練的，也就是說(shuō)，每個(gè)音頻樣本要么有語(yǔ)音標(biāo)簽，要么有說(shuō)話人標(biāo)簽，從來(lái)沒有兩者都有。

通過(guò)對(duì)結(jié)果的觀察，研究人員提出了一種靈活的設(shè)計(jì)，通過(guò)連接不同的任務(wù)的訓(xùn)練數(shù)據(jù)，而不是為每個(gè)訓(xùn)練示例獲取多個(gè)標(biāo)簽，從而在多個(gè)相關(guān)任務(wù)上訓(xùn)練模型。從實(shí)用的角度來(lái)看，這樣能夠在兩個(gè)任務(wù)之間共享計(jì)算可以節(jié)省設(shè)備內(nèi)存、計(jì)算時(shí)間或延遲，以及消耗的電量/電池。在研究中，有一項(xiàng)補(bǔ)充研究減少了錯(cuò)誤觸發(fā)的發(fā)生，也就是說(shuō)，語(yǔ)音助手有意地忽略了像 Siri 這樣的語(yǔ)音助手的語(yǔ)音。

研究人員表示，他們使用了圖形神經(jīng)網(wǎng)絡(luò)（GNN），這是一種操作在圖形結(jié)構(gòu)上的人工智能模型，其中每個(gè)節(jié)點(diǎn)都與一個(gè)標(biāo)簽相關(guān)聯(lián)，目標(biāo)是在沒有基礎(chǔ)事實(shí)的情況下預(yù)測(cè)節(jié)點(diǎn)的標(biāo)簽。

在論文中，研究人員寫道：語(yǔ)音觸發(fā)的智能助手通常在開始監(jiān)聽用戶請(qǐng)求之前就會(huì)檢測(cè)到一個(gè)觸發(fā)短語(yǔ)……錯(cuò)誤的觸發(fā)通常來(lái)自于背景噪音或聽起來(lái)類似于觸發(fā)短語(yǔ)的語(yǔ)音。因此，減少誤觸發(fā)是構(gòu)建以隱私為中心的非侵入性智能助手的一個(gè)重要方面。在未來(lái)的工作中，該團(tuán)隊(duì)計(jì)劃將基于GNN 的處理擴(kuò)展到其他任務(wù)，例如用戶意圖分類。

在另一篇論文中，蘋果研究人員探索了一種針對(duì)多語(yǔ)言使用者量身定制的說(shuō)話人語(yǔ)言識(shí)別系統(tǒng)。他們表示，語(yǔ)音識(shí)別系統(tǒng)對(duì)大多數(shù)語(yǔ)言都有很高的準(zhǔn)確性。但是，當(dāng)有多重語(yǔ)言出現(xiàn)時(shí)，這個(gè)語(yǔ)言識(shí)別系統(tǒng)的表現(xiàn)就不盡如人意了。因此，基于這樣的實(shí)施情況，研究人員決定開展說(shuō)話人語(yǔ)言識(shí)別系統(tǒng)的工作。

值得注意的是，《華盛頓郵報(bào)》近期委托進(jìn)行的一項(xiàng)研究顯示，谷歌和亞馬遜生產(chǎn)的受歡迎的智能音箱聽懂本土用戶的語(yǔ)音比聽懂非美式口音的概率高出了 30%。同時(shí)，像 Switchboard 這樣的語(yǔ)料庫(kù)也已經(jīng)被證明對(duì)來(lái)自國(guó)內(nèi)特定地區(qū)的使用者存在可測(cè)量的傾斜，這個(gè)語(yǔ)料庫(kù)還是被 IBM 和微軟等公司用來(lái)衡量語(yǔ)音模型錯(cuò)誤率的數(shù)據(jù)集。

針對(duì)這種情況，合著者將有關(guān)使用模式的知識(shí)整合到一個(gè)聽寫系統(tǒng)中，該系統(tǒng)能夠?yàn)閬?lái)自 60 多個(gè)地區(qū)的演講者做出決策。其中，聲學(xué)子模型將根據(jù)語(yǔ)音信號(hào)所傳遞的證據(jù)進(jìn)行預(yù)測(cè)，而上下文感知預(yù)測(cè)組件則考慮了各種交互上下文信號(hào)，通過(guò)這兩方面的預(yù)測(cè)，來(lái)選擇最優(yōu)的單語(yǔ)自動(dòng)語(yǔ)音識(shí)別系統(tǒng)。

據(jù)了解，上下文信號(hào)包含了有關(guān)發(fā)出聽寫請(qǐng)求的條件的信息，包括有關(guān)已安裝的聽寫區(qū)域、當(dāng)前選擇的聽寫區(qū)域以及用戶在發(fā)出請(qǐng)求之前是否切換了聽寫區(qū)域的信息。重要的是，它們有助于在語(yǔ)音信號(hào)太短的情況下，依靠聲學(xué)模型產(chǎn)生一個(gè)可靠的預(yù)測(cè)。比如說(shuō)，如果用戶同時(shí)安裝了英語(yǔ)和德語(yǔ)，像“naIn?”這樣的短而模糊的語(yǔ)句，在德語(yǔ)中可能是否定的“nein”，在英語(yǔ)中則是數(shù)字“nine”。

另外，為了評(píng)估該系統(tǒng)，研究人員還開發(fā)了一種自定義指標(biāo)，稱為“平均用戶準(zhǔn)確度”（雷鋒網(wǎng)(公眾號(hào)：雷鋒網(wǎng))按，AUA，Average User Accuracy），他們認(rèn)為這種指標(biāo)能更好地反映模型中的“人口水平”使用模式。通過(guò)對(duì)多語(yǔ)言使用者的 128,000 個(gè)具有相應(yīng)交互上下文信息的聽寫話語(yǔ)的內(nèi)部語(yǔ)料庫(kù)進(jìn)行嚴(yán)格訓(xùn)練，它在所有語(yǔ)言組合中實(shí)現(xiàn)了平均 87% 的準(zhǔn)確性，同時(shí)將最差情況下的準(zhǔn)確性相對(duì)于基線提高了 60% 以上。
? ? ? （責(zé)任編輯：fqj）