亞馬遜語(yǔ)音專(zhuān)家揭秘Alexa耳語(yǔ)模式的AI基礎

　　上周，亞馬遜在美國西雅圖舉行的發(fā)布會(huì )上一口氣推出了十余款Alexa設備，大部分設備主要由Alexa語(yǔ)音平臺驅動(dòng)。其中部分設備將增添“耳語(yǔ)模式”功能，使Alexa設備用耳語(yǔ)來(lái)回應用戶(hù)的低聲說(shuō)話(huà)。日前，亞馬遜Alexa語(yǔ)音系統小組的一位專(zhuān)家Zeynab Raeesy在其博文中揭秘了這一功能的AI基礎。

　　Raeesy在博文中介紹：“如果你在一個(gè)有小孩睡覺(jué)的房間，當有人走進(jìn)來(lái)時(shí)，你會(huì )馬上低聲說(shuō)話(huà)，提醒進(jìn)來(lái)的人你希望房間內能保持安靜，而進(jìn)來(lái)的人意識到這一點(diǎn)之后，很可能也會(huì )壓低聲音講話(huà)?！?/p>

　　Raeesy指出，Alexa的耳語(yǔ)模式令人難以理解的地方在于它是清音的，也就是說(shuō)，它不涉及聲帶振動(dòng)，往往比普通的語(yǔ)音在低頻段具有更少的能量。她與小組的同事研究了兩種能區分正常語(yǔ)音和耳語(yǔ)音的神經(jīng)網(wǎng)絡(luò )。

　　兩種神經(jīng)網(wǎng)絡(luò )主要在結構上有所區別，一個(gè)是MLP(多層感知器)，另一個(gè)是能進(jìn)行時(shí)間遞歸的LSTM(長(cháng)短期記憶)網(wǎng)絡(luò )，這兩者用來(lái)做訓練的數據是一樣的，這些數據包括(1)對數濾波器組能量，或者是用來(lái)記錄不同頻率范圍信號能量的語(yǔ)音信號表示;(2)能區別耳語(yǔ)音與正常語(yǔ)音之間信號差異的一組特征。

　　在測試中，他們發(fā)現LSTM的表現結果比MLP更好，具備許多優(yōu)勢。Raeesy解釋道，Alexa語(yǔ)音識別引擎的其他組件完全依賴(lài)對數濾波器組能量，并給不同的組件提供相同的輸入數據，進(jìn)而使整個(gè)系統更加緊湊。

　　Alexa耳語(yǔ)模式的開(kāi)發(fā)并非一帆風(fēng)順，至少在最初階段是這樣的。由于A(yíng)lexa是通過(guò)短時(shí)間的沉默(一種被稱(chēng)為“結束指向”的技術(shù))來(lái)識別指令的結束或者進(jìn)行回復，LSTM往往在話(huà)語(yǔ)即將結束時(shí)降低置信度。為解決這個(gè)問(wèn)題，研究人員將LSTM的輸出校準成整個(gè)話(huà)語(yǔ)的平均值，最終，降低最后1.25秒的語(yǔ)音數據成為維持“耳語(yǔ)模式”性能的關(guān)鍵。

　　美式英語(yǔ)的耳語(yǔ)模式功能將在今年11月份推出，對耳語(yǔ)模式具體工作原理的介紹將以論文的形式在12月份的IEEE語(yǔ)音技術(shù)研討會(huì )上發(fā)表。