Diarization - 將語音樣本劃分為獨特的同類片段的過程，根據(jù)誰說什么，何時 - 對機(jī)器來說不像人類那樣容易，并且訓(xùn)練機(jī)器學(xué)習(xí)算法來執(zhí)行它比使用它更難聲音。強(qiáng)大的二值化系統(tǒng)必須能夠?qū)⑿聜€體與之前未遇到的語音段相關(guān)聯(lián)。

但谷歌的人工智能研究部門已經(jīng)朝著高性能模式取得了令人鼓舞的進(jìn)展。在一篇新論文(“ 全監(jiān)督演講者Diarization ”)和隨附的博客文章中，研究人員描述了一種新的人工智能(AI)系統(tǒng)，該系統(tǒng)“以更有效的方式利用受監(jiān)督的揚聲器標(biāo)簽”。

該論文的作者聲稱核心算法實現(xiàn)了對于實時應(yīng)用程序而言足夠低的在線分類錯誤率(DER) - 在NIST SRE 2000 CALLHOME基準(zhǔn)測試中為7.6%%，而谷歌之前的方法為8.8%%DER - 可在開放時使用Github上的源代碼。

谷歌研究人員的新方法通過遞歸神經(jīng)網(wǎng)絡(luò)(RNN)模擬說話者的嵌入(即，單詞和短語的數(shù)學(xué)表示)，RNN是一種機(jī)器學(xué)習(xí)模型，可以使用其內(nèi)部狀態(tài)來處理輸入序列。每個發(fā)言者都以自己的RNN實例開始，該實例在給定新嵌入的情況下不斷更新RNN狀態(tài)，使系統(tǒng)能夠?qū)W習(xí)在發(fā)言者和話語之間共享的高級知識。

“由于該系統(tǒng)的所有組件都可以以監(jiān)督的方式學(xué)習(xí)，因此在可以獲得帶有高質(zhì)量時間標(biāo)記的揚聲器標(biāo)簽的訓(xùn)練數(shù)據(jù)的情況下，它優(yōu)于無監(jiān)督系統(tǒng)，”研究人員在論文中寫道。“我們的系統(tǒng)受到全面監(jiān)督，并且能夠從帶有時間標(biāo)記的揚聲器標(biāo)簽的示例中學(xué)習(xí)。”

在未來的工作中，團(tuán)隊計劃優(yōu)化模型，以便它可以集成上下文信息以執(zhí)行離線解碼，他們期望這將進(jìn)一步減少DER。他們還希望直接對聲學(xué)特征進(jìn)行建模，以便整個揚聲器系統(tǒng)可以進(jìn)行端到端的訓(xùn)練。