上周，亞馬遜在美國西雅圖舉行的發(fā)布會上一口氣推出了十余款Alexa設備，大部分設備主要由Alexa語音平臺驅動。其中部分設備將增添“耳語模式”功能，使Alexa設備用耳語來回應用戶的低聲說話。日前，亞馬遜Alexa語音系統(tǒng)小組的一位專家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：“如果你在一個有小孩睡覺的房間，當有人走進來時，你會馬上低聲說話，提醒進來的人你希望房間內(nèi)能保持安靜，而進來的人意識到這一點之后，很可能也會壓低聲音講話?！?/p>
Raeesy指出，Alexa的耳語模式令人難以理解的地方在于它是清音的，也就是說，它不涉及聲帶振動，往往比普通的語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(qū)分正常語音和耳語音的神經(jīng)網(wǎng)絡。
兩種神經(jīng)網(wǎng)絡主要在結構上有所區(qū)別，一個是MLP（多層感知器），另一個是能進行時間遞歸的LSTM（長短期記憶）網(wǎng)絡，這兩者用來做訓練的數(shù)據(jù)是一樣的，這些數(shù)據(jù)包括（1）對數(shù)濾波器組能量，或者是用來記錄不同頻率范圍信號能量的語音信號表示；（2）能區(qū)別耳語音與正常語音之間信號差異的一組特征。
在測試中，他們發(fā)現(xiàn)LSTM的表現(xiàn)結果比MLP更好，具備許多優(yōu)勢。Raeesy解釋道，Alexa語音識別引擎的其他組件完全依賴對數(shù)濾波器組能量，并給不同的組件提供相同的輸入數(shù)據(jù)，進而使整個系統(tǒng)更加緊湊。
Alexa耳語模式的開發(fā)并非一帆風順，至少在最初階段是這樣的。由于Alexa是通過短時間的沉默（一種被稱為“結束指向”的技術）來識別指令的結束或者進行回復，LSTM往往在話語即將結束時降低置信度。為解決這個問題，研究人員將LSTM的輸出校準成整個話語的平均值，最終，降低最后1.25秒的語音數(shù)據(jù)成為維持“耳語模式”性能的關鍵。
美式英語的耳語模式功能將在今年11月份推出，對耳語模式具體工作原理的介紹將以論文的形式在12月份的IEEE語音技術研討會上發(fā)表。
（免責聲明：本網(wǎng)站內(nèi)容主要來自原創(chuàng)、合作伙伴供稿和第三方自媒體作者投稿，凡在本網(wǎng)站出現(xiàn)的信息，均僅供參考。本網(wǎng)站將盡力確保所提供信息的準確性及可靠性，但不保證有關資料的準確性及可靠性，讀者在使用前請進一步核實，并對任何自主決定的行為負責。本網(wǎng)站對有關資料所引致的錯誤、不確或遺漏，概不負任何法律責任。
任何單位或個人認為本網(wǎng)站中的網(wǎng)頁或鏈接內(nèi)容可能涉嫌侵犯其知識產(chǎn)權或存在不實內(nèi)容時，應及時向本網(wǎng)站提出書面權利通知或不實情況說明，并提供身份證明、權屬證明及詳細侵權或不實情況證明。本網(wǎng)站在收到上述法律文件后，將會依法盡快聯(lián)系相關文章源頭核實，溝通刪除相關內(nèi)容或斷開相關鏈接。 ）
