北京時(shí)間4月16日早間消息，谷歌研究人員開發(fā)了一種深度學(xué)習(xí)系統(tǒng)，可以幫助電腦在嘈雜環(huán)境中更好地識別和區(qū)分一個人的聲音。 本周在谷歌研究博客中發(fā)布的文章顯示，該公司的一個內(nèi)部團(tuán)隊(duì)試圖讓人工智能（AI）像人類的大腦一樣，可以主動關(guān)注一個聲源，同時(shí)過
北京時(shí)間4月16日早間消息，谷歌研究人員開發(fā)了一種深度學(xué)習(xí)系統(tǒng)，可以幫助電腦在嘈雜環(huán)境中更好地識別和區(qū)分一個人的聲音。
本周在谷歌研究博客中發(fā)布的文章顯示，該公司的一個內(nèi)部團(tuán)隊(duì)試圖讓人工智能（AI）像人類的大腦一樣，可以主動關(guān)注一個聲源，同時(shí)過濾其他聲源——就像你在聚會上跟朋友對話時(shí)的做法。
谷歌的方法使用了一個視聽模型，使之可以集中精力區(qū)分一段視頻中的聲音。該公司還發(fā)布了多段YouTube視頻，演示這項(xiàng)技術(shù)的實(shí)際效果。
谷歌表示，這項(xiàng)技術(shù)可以適用于單音軌視頻，而且可以通過算法分離出視頻中不同人的音頻內(nèi)容，也可以讓用戶手動選取視頻中的人臉，專門收聽此人的聲音。
谷歌表示，視覺元素是關(guān)鍵，因?yàn)檫@項(xiàng)技術(shù)會關(guān)注一個人的嘴唇運(yùn)動，從而更好地判斷某個時(shí)點(diǎn)應(yīng)該關(guān)注哪段聲音，并為一段較長的視頻創(chuàng)造更精確的獨(dú)立音軌。
石家莊網(wǎng)站建設(shè)消息谷歌研究人員通過收集10萬段YouTube“演講視頻”開發(fā)了這個模型，總共提取了大約2000小時(shí)的內(nèi)容，然后將這些音軌混合后，添加上人工背景噪音。
谷歌之后訓(xùn)練該技術(shù)通過觀察每一格視頻中的人臉和視頻音軌的頻譜圖，把混合后的音頻進(jìn)行分割。這套系統(tǒng)可以區(qū)分哪個聲源在特定時(shí)間內(nèi)屬于哪張臉，并為每個人制作一段獨(dú)立的音軌。
谷歌認(rèn)為，隱藏式字幕系統(tǒng)會成為該系統(tǒng)的一大應(yīng)用領(lǐng)域，他們還在設(shè)想更廣泛的應(yīng)用方向，而且還在探索更多的機(jī)會，希望將其整合到各種谷歌產(chǎn)品中。例如，如果把它加入到Google Home智能音箱中，便可區(qū)分出不同用戶發(fā)出的指令。
不過，這個模型需要配合視頻才能更好地發(fā)揮作用，所以可能更適合亞馬遜Echo Show。谷歌今年早些時(shí)候面向Echo Show這樣的智能顯示器開放了谷歌助手，但該公司本身尚未推出這樣的產(chǎn)品。
但這項(xiàng)技術(shù)可能也會引發(fā)隱私擔(dān)憂。雖然該技術(shù)的實(shí)際效果遠(yuǎn)沒有視頻演示得那么好，但經(jīng)過一些細(xì)微調(diào)整，的確有可能成為強(qiáng)大的監(jiān)聽和監(jiān)視工具。
|