語音識別新方向：仿生蝙蝠耳能用聲納精準“聆聽”

　　蝙蝠使用生物聲吶，為夜晚在叢林中飛行導航。他們的超聲波脈沖，可以比人造聲吶裝置更精確地對聲音進行定位。為復制、駕馭這種能力，IBM學院獎獲得者Rolf Müller教授協(xié)同他在弗吉尼亞理工學院（Virginia Tech）的團隊，設計了一種人造蝙蝠耳。

　　Rolf Müller的研究引起了IBM的注意。IBM專家韓金萍（音譯）的神經(jīng)計算團隊，和IBM Watson語音專家崔曉東（音譯）和他的同事，看到了Müller教授人造“動態(tài)外耳”（dynamic peripheral，蝙蝠可轉動的外耳使它們的生物聲吶更加準確）的潛力，并希望借此提高人類語音理解的能力。他們把Müller的博士生Anupam Gupta納入團隊，一同他們探索人造蝙蝠仿生耳在語音處理的應用。

　　他們發(fā)現(xiàn)，這些仿生耳不僅是很有效的聲吶裝置，對語音識別同樣能起到作用。

　　模仿菊頭蝠的人造耳

　　研究團隊根據(jù)蝙蝠改變耳朵形狀的能力，仿制了一個動態(tài)接收系統(tǒng)。它能提高自動語音識別系統(tǒng)（ASR）的精確度，還能更準確地對談話者定位。韓金萍將在他們的論文《受菊頭蝠啟發(fā)的接收動力學把動態(tài)特點加入語音信號》，及本周美國聲學協(xié)會第172屆會議上展示了這一發(fā)現(xiàn)。

　　這些動態(tài)系統(tǒng)有潛力發(fā)展成讓使用者“像蝙蝠那樣聆聽”的語音接收設備。這會改進現(xiàn)有的助聽器和指向性傳聲器。并可應用于任何需要對聲音來源進行定位、理解的場景。

　　設想你身處一個忙碌、吵鬧的集市。聽清楚你旁邊的人在說什么都可能是一項挑戰(zhàn)。有了這項技術，同伴的聲音就能被一個可變形的助聽器識別，然后翻譯成你能聽懂的話。它還可以過濾掉鬧市的雜音，和其他人嗡嗡的說話聲。

　　仿生蝙蝠耳的生物聲吶算法蝙蝠的超聲波具有10–200 kHz的頻率，而人耳只能識別20 Hz–20 kHz的聲音。因此對我們來說它聲調(diào)太高，大多數(shù)是聽不到的。為了駕馭蝙蝠的生物聲吶頻率和精度，Gupta加入韓金萍團隊編寫能夠把語音訊號轉化為超聲波脈沖的代碼——然后再把超聲波轉化為我們能夠聽到的正常語言。

　　這首先需要建立一個數(shù)據(jù)庫。為了盡可能地簡化，韓金萍團隊使用了卡內(nèi)基梅隆大學開源數(shù)據(jù)庫中，11個美式英語朗讀者的英語字母和數(shù)字的發(fā)音。

　　舉例子，以字母“A”或者數(shù)字“1”形式出現(xiàn)的數(shù)據(jù)，被麥克風接收，然后轉化為超聲波信號。超聲波揚聲器播放該信號。隨后，具有“動態(tài)外耳”的人造蝙蝠耳接收信號。最后，軟件把超聲波信號轉化為原始數(shù)據(jù)——字母“A”或者數(shù)字“1”。

　　現(xiàn)實（鬧市）中的人造耳朵雖然只包含字母和數(shù)字的聲音信號數(shù)據(jù)庫有較大限制，但通過分析它，韓金萍團隊表示人造耳用“動態(tài)、方向性的的時間頻率模型”豐富了語音信號。下一步，研究人員把人造耳處理后的聲音與原始語音進行對比，來衡量人造耳的精度。因此，他們把原始語音數(shù)據(jù)和經(jīng)人造耳處理的聲音數(shù)據(jù)，放入分類器（classifier）中進行識別。67%的語音信號能被成功識別出來。而在沒有動態(tài)外耳的對照組中，只有35%的聲音數(shù)據(jù)被識別。

　　有了更多的可用分析數(shù)據(jù)后，研究員們將著手用行業(yè)基準來對該系統(tǒng)進行測試，并開發(fā)仿生學習算法。再或者，將來他們可能會開發(fā)一個“聆聽”app，把智能手機麥克風變成接入物聯(lián)網(wǎng)的指向性麥克風，來幫助使用者選擇現(xiàn)實中他想要聽到的聲音。IBM研究人員認為，實現(xiàn)它并不是太遙遠。