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，稱它“能以一種更有效的方式識別聲音”。

　　這套強大的 AI 系統涉及到 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音與它以前從未遇到過的語音片段關聯起來。

　　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，使系統能夠學習發言者共享的高級知識。

　　研究人員在論文中寫道:“由于該系統的所有組件都可以在監督環境下學習，所以在有高質量時間標記演講者標簽訓練數據的情況下，它比無監督系統更受青睞。我們的系統受到全面監督，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 系統就可以進行端到端訓練。
　　（邯鄲網絡公司）