IBM 語(yǔ)音識(shí)別新方向：仿生蝙蝠耳能用聲納精準(zhǔn)“聆聽(tīng)”

　　蝙蝠使用生物聲吶，為夜晚在叢林中飛行導(dǎo)航。他們的超聲波脈沖，可以比人造聲吶裝置更精確地對(duì)聲音進(jìn)行定位。為復(fù)制、駕馭這種能力，IBM 學(xué)院獎(jiǎng)獲得者 Rolf Müller 教授協(xié)同他在弗吉尼亞理工學(xué)院（Virginia Tech）的團(tuán)隊(duì)，設(shè)計(jì)了一種人造蝙蝠耳。

　　Rolf Müller 的研究引起了 IBM 的注意。IBM 專(zhuān)家韓金萍（音譯）的神經(jīng)計(jì)算團(tuán)隊(duì)，和 IBM Watson 語(yǔ)音專(zhuān)家崔曉東（音譯）和他的同事， 看到了 Müller 教授人造“動(dòng)態(tài)外耳”（dynamic peripheral，蝙蝠可轉(zhuǎn)動(dòng)的外耳使它們的生物聲吶更加準(zhǔn)確）的潛力 ，并希望借此提高人類(lèi)語(yǔ)音理解的能力。他們把 Müller 的博士生 Anupam Gupta 納入團(tuán)隊(duì)，一同他們探索人造蝙蝠仿生耳在語(yǔ)音處理的應(yīng)用。

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

　　模仿菊頭蝠的人造耳

　　研究團(tuán)隊(duì)根據(jù)蝙蝠改變耳朵形狀的能力，仿制了一個(gè)動(dòng)態(tài)接收系統(tǒng)。它能提高自動(dòng)語(yǔ)音識(shí)別系統(tǒng)（ASR）的精確度，還能更準(zhǔn)確地對(duì)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(dòng)力學(xué)把動(dòng)態(tài)特點(diǎn)加入語(yǔ)音信號(hào)》，及本周美國(guó)聲學(xué)協(xié)會(huì)第 172 屆會(huì)議上展示了這一發(fā)現(xiàn)。

　　這些動(dòng)態(tài)系統(tǒng)有潛力發(fā)展成讓使用者“像蝙蝠那樣聆聽(tīng)”的語(yǔ)音接收設(shè)備。這會(huì)改進(jìn)現(xiàn)有的助聽(tīng)器和指向性傳聲器。并可應(yīng)用于任何需要對(duì)聲音來(lái)源進(jìn)行定位、理解的場(chǎng)景。

　　設(shè)想你身處一個(gè)忙碌、吵鬧的集市。聽(tīng)清楚你旁邊的人在說(shuō)什么都可能是一項(xiàng)挑戰(zhàn)。有了這項(xiàng)技術(shù)，同伴的聲音就能被一個(gè)可變形的助聽(tīng)器識(shí)別，然后翻譯成你能聽(tīng)懂的話。它還可以過(guò)濾掉鬧市的雜音，和其他人嗡嗡的說(shuō)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(shí)別 20 Hz – 20 kHz 的聲音。因此對(duì)我們來(lái)說(shuō)它聲調(diào)太高，大多數(shù)是聽(tīng)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(tuán)隊(duì)編寫(xiě)能夠把語(yǔ)音訊號(hào)轉(zhuǎn)化為超聲波脈沖的代碼——然后再把超聲波轉(zhuǎn)化為我們能夠聽(tīng)到的正常語(yǔ)言。

　　這首先需要建立一個(gè)數(shù)據(jù)庫(kù)。為了盡可能地簡(jiǎn)化，韓金萍團(tuán)隊(duì)使用了卡內(nèi)基梅隆大學(xué)開(kāi)源數(shù)據(jù)庫(kù)中，11 個(gè)美式英語(yǔ)朗讀者的英語(yǔ)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(fēng)接收，然后轉(zhuǎn)化為超聲波信號(hào)。超聲波揚(yáng)聲器播放該信號(hào)。隨后，具有“動(dòng)態(tài)外耳”的人造蝙蝠耳接收信號(hào)。最后，軟件把超聲波信號(hào)轉(zhuǎn)化為原始數(shù)據(jù)——字母“A” 或者數(shù)字“1”。

　　現(xiàn)實(shí)（鬧市）中的人造耳朵

　　雖然只包含字母和數(shù)字的聲音信號(hào)數(shù)據(jù)庫(kù)有較大限制，但通過(guò)分析它，韓金萍團(tuán)隊(duì)表示人造耳用“動(dòng)態(tài)、方向性的的時(shí)間頻率模型”豐富了語(yǔ)音信號(hào)。下一步，研究人員把人造耳處理后的聲音與原始語(yǔ)音進(jìn)行對(duì)比，來(lái)衡量人造耳的精度。因此，他們把原始語(yǔ)音數(shù)據(jù)和經(jīng)人造耳處理的聲音數(shù)據(jù)，放入分類(lèi)器（ classifier ）中進(jìn)行識(shí)別。67% 的語(yǔ)音信號(hào)能被成功識(shí)別出來(lái)。而在沒(méi)有動(dòng)態(tài)外耳的對(duì)照組中，只有 35% 的聲音數(shù)據(jù)被識(shí)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(zhǔn)來(lái)對(duì)該系統(tǒng)進(jìn)行測(cè)試，并開(kāi)發(fā)仿生學(xué)習(xí)算法。再或者，將來(lái)他們可能會(huì)開(kāi)發(fā)一個(gè)“聆聽(tīng)” app，把智能手機(jī)麥克風(fēng)變成接入物聯(lián)網(wǎng)的指向性麥克風(fēng)，來(lái)幫助使用者選擇現(xiàn)實(shí)中他想要聽(tīng)到的聲音。IBM 研究人員認(rèn)為，實(shí)現(xiàn)它并不是太遙遠(yuǎn)。

　　Via IBM