AI在音頻處理方面的潛力

【編者按】Kanda機(jī)器學(xué)習(xí)工程師Daniel Rothmann回顧了現(xiàn)有的機(jī)器學(xué)習(xí)音頻處理方法，提出了未來(lái)可能的發(fā)展方向。

這兩年來(lái)AI，特別是深度學(xué)習(xí)發(fā)展迅猛，我們?cè)趫D像和視頻處理方面看到了大量AI技術(shù)的應(yīng)用。盡管AI進(jìn)入音頻世界的步伐要晚一點(diǎn)，我們同樣看到了令人印象深刻的技術(shù)進(jìn)展。

在這篇文章中，我將總結(jié)一些進(jìn)展，勾勒下AI在音頻處理方面的潛力，同時(shí)描述下這條路線上可能碰到的問題和挑戰(zhàn)。

趨向更智能的音頻

我對(duì)音頻處理方面的AI應(yīng)用的興趣源于2016年底DeepMind的WaveNet的發(fā)表——WaveNet是一個(gè)生成音頻錄音的深度學(xué)習(xí)模型1。這一基于自適應(yīng)網(wǎng)絡(luò)架構(gòu)的擴(kuò)張卷積神經(jīng)網(wǎng)絡(luò)能夠成功生成很有說服力的文本到語(yǔ)音轉(zhuǎn)換，并能基于經(jīng)典鋼琴錄音訓(xùn)練出有趣的類似音樂的錄音。

我們?cè)谏虡I(yè)世界中看到了更多機(jī)器學(xué)習(xí)應(yīng)用——例如LANDR，一個(gè)自動(dòng)母帶后期處理服務(wù)，該服務(wù)依靠AI設(shè)定數(shù)字音頻處理和增益細(xì)化的參數(shù)。

專業(yè)音頻軟件巨頭iZotope在2017年發(fā)布了Neutron 2，這個(gè)混音工具的特色是利用AI檢測(cè)樂器并向用戶建議裝置預(yù)設(shè)的“音軌助手”。iZotope的音頻修復(fù)套件RX 6中還有一個(gè)分離談話的工具，同樣基于AI技術(shù)。

AI在數(shù)字信號(hào)處理方面的潛力

AI在音頻處理上的應(yīng)用仍處于早期。深度學(xué)習(xí)方法讓我們可以從一個(gè)全新的角度應(yīng)對(duì)信號(hào)處理問題，但整個(gè)音頻行業(yè)對(duì)此的認(rèn)知遠(yuǎn)遠(yuǎn)不夠。目前而言，音頻行業(yè)專注于公式化的處理方法：深入理解問題后，手工設(shè)計(jì)求解函數(shù)。然而，理解聲音是一項(xiàng)非常復(fù)雜的任務(wù)，我們?nèi)祟愔庇X上認(rèn)為相當(dāng)容易的問題實(shí)際上很難公式化地描述。

以音源分離為例：在一個(gè)兩個(gè)人同時(shí)說話的場(chǎng)景下，你的大腦不需要費(fèi)多少功夫就可以想象任何一個(gè)人在單獨(dú)說話。但是我們?nèi)绾蚊枋龇蛛x這兩個(gè)語(yǔ)言的公式呢？好，它取決于：

有描述人類嗓音的統(tǒng)一方式嗎？如果答案是肯定的，性別、年齡、精力、個(gè)性等參數(shù)是如何影響這一描述的呢？聽話人的物理距離和房間的音響效果如何影響這一理解？錄音中可能出現(xiàn)的非人類發(fā)出的噪聲如何處理？通過什么參數(shù)可以將一個(gè)人的嗓音和另一個(gè)人區(qū)分開來(lái)？

如你所見，設(shè)計(jì)一個(gè)全面兼顧這一問題的公式需要關(guān)注大量參數(shù)。AI在這里提供了一種更實(shí)用的方法——通過設(shè)定學(xué)習(xí)的恰當(dāng)條件，我們通過統(tǒng)計(jì)學(xué)方法自動(dòng)估計(jì)這一復(fù)雜函數(shù)。事實(shí)上，助聽器生產(chǎn)商Oticon研發(fā)中心Eriksholm的研究人員提出了一種基于卷積循環(huán)神經(jīng)網(wǎng)絡(luò)架構(gòu)在實(shí)時(shí)應(yīng)用中更好地分離音源的方法2。

由于基于深度神經(jīng)網(wǎng)絡(luò)處理音頻的方法仍在不斷改進(jìn)之中，我們只能開始設(shè)想下可能解決的一些困難問題——下面是我在深度學(xué)習(xí)用于實(shí)時(shí)音頻處理方面的一些設(shè)想：

選擇性噪聲消除，例如移除汽車的聲音。

Hi-fi音頻重建，例如基于小型、低質(zhì)的麥克風(fēng)采集的音頻。

模擬音頻仿真，模仿非線性模擬音頻組件的復(fù)雜交互。

語(yǔ)音處理，例如更改錄音的說話人、方言、語(yǔ)言。

改善空間模擬，用于回響、雙耳統(tǒng)合處理。

表示和架構(gòu)上的挑戰(zhàn)

WaveNet是最早在原始樣本層次成功生成音頻的嘗試之一。這里有一大問題，CD音質(zhì)的音頻通常以每秒44100的采樣率存儲(chǔ)，因此WaveNet需要幾小時(shí)才能生成幾秒的音頻。這在實(shí)時(shí)應(yīng)用中就不行了。

另一方面，許多基于神經(jīng)網(wǎng)絡(luò)處理音頻的現(xiàn)有方案利用光譜表示和卷積網(wǎng)絡(luò)。這些方案基本上將音頻頻譜可視化為2D圖像，然后使用卷積網(wǎng)絡(luò)掃描、處理圖像3。通常，這些方法的結(jié)果并不像視覺領(lǐng)域的結(jié)果那么有吸引力，比如CycleGAN可以對(duì)電影進(jìn)行令人印象深刻的風(fēng)格遷移4。

電影和音頻剪輯有一些相同之處，它們都描繪了時(shí)間之上的運(yùn)動(dòng)?？紤]到CycleGAN這樣在圖像處理網(wǎng)絡(luò)方面的創(chuàng)新，有人可能會(huì)假定音頻上同樣可以進(jìn)行這樣的風(fēng)格遷移。

但電影和音頻剪輯不是一回事——如果我們凍結(jié)電影的一幀，從這一幀中仍能得到相當(dāng)多的關(guān)于行動(dòng)的信息。但如果我們凍結(jié)音頻的“一幀”，其中只有極少的信息。這意味著，相比電影，音頻在基礎(chǔ)上更依賴時(shí)間。在光譜中，我們也從來(lái)不會(huì)假定一個(gè)像素屬于單個(gè)對(duì)象：音頻永遠(yuǎn)“細(xì)如絲線”，光譜在同一幀中顯示所有混雜在一起的聲響3。

卷積神經(jīng)網(wǎng)絡(luò)的設(shè)計(jì)借鑒了人類的視覺系統(tǒng)，最初基于視皮層的信息傳播過程5。我相信，這里有一個(gè)值得考慮的問題。我們基本是將音頻轉(zhuǎn)換成圖像，然后在圖像上進(jìn)行視覺處理，再轉(zhuǎn)換回音頻。所以，我們是用機(jī)器視覺來(lái)處理機(jī)器聽覺。但是，從直覺上說，這兩種感官的工作方式是不一樣的?？纯聪旅娴墓庾V，憑借你聰慧的人類大腦，你能從中得到多少關(guān)于音頻實(shí)際內(nèi)容的有意義的信息？如果你可以聽到它，你將很快直觀地體會(huì)到正在發(fā)生什么。也許這正是阻礙面向音頻的AI輔助技術(shù)發(fā)展的問題所在。

5秒的光譜（這是藍(lán)調(diào)口琴）

因此我提議，神經(jīng)網(wǎng)絡(luò)要想在音頻處理上取得更好的結(jié)果，我們應(yīng)該集中精力找到專門針對(duì)音頻的更好表示和神經(jīng)網(wǎng)絡(luò)架構(gòu)。比如自相關(guān)圖這樣包括時(shí)間、頻率、周期性的三維表示6。人類可以基于直覺比較聲音的周期性，找出模式的相似性，以區(qū)分音源。音高和節(jié)奏也是時(shí)間因素的結(jié)果。因此像自相關(guān)圖這樣更關(guān)注時(shí)間的表示，可能有用。

表示聲音的自相關(guān)圖（圖片來(lái)源：shef.ac.uk）

此外，我們可以開始設(shè)想在架構(gòu)上建模聽覺系統(tǒng)的神經(jīng)通路。當(dāng)聲音刺激耳膜并傳至耳蝸時(shí)，根據(jù)頻率的不同，它會(huì)轉(zhuǎn)為不同幅度。接著聲音傳至中央聽覺系統(tǒng)進(jìn)行時(shí)間模式處理。中央聽覺系統(tǒng)中負(fù)責(zé)從音頻中收集意義的分析模式中，哪一種可以通過人工神經(jīng)網(wǎng)絡(luò)建模？也許是周期性6，也許是聲音事件的統(tǒng)計(jì)學(xué)分組7，也許是分析的擴(kuò)張時(shí)間幀1。

聽覺系統(tǒng)示意圖（圖片來(lái)源：Universit?t Zu Lübeck）

結(jié)語(yǔ)

AI領(lǐng)域的發(fā)展為智能音頻處理提供了很大潛力。但要讓神經(jīng)網(wǎng)絡(luò)更好地理解聲音，我們也許需要離內(nèi)在地視覺上的方法遠(yuǎn)一點(diǎn)，轉(zhuǎn)而考慮基于聽覺系統(tǒng)的新技術(shù)。

這篇文章中，相比提供的答案，我提出了更多的問題，希望能引起你對(duì)此的思考。

這是機(jī)器聽覺系列文章的第一篇，后續(xù)文章將于近期翻譯，敬請(qǐng)期待。