IBM 語音識別新方向：仿生蝙蝠耳能用聲納精準(zhǔn)“聆聽”

　　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聲音進(jìn)行定位。為復(fù)制、駕馭這種能力，IBM 學(xué)院獎獲得者 Rolf Müller 教授協(xié)同他在弗吉尼亞理工學(xué)院(Virginia Tech)的團(tuán)隊，設(shè)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(tuán)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(zhuǎn)動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語音理解的能力。他們把 Müller 的博士生 Anupam Gupta 納入團(tuán)隊，一同他們探索人造蝙蝠仿生耳在語音處理的應(yīng)用。

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

　　模仿菊頭蝠的人造耳

　　研究團(tuán)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(zhǔn)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(xué)把動態(tài)特點加入語音信號》，及本周美國聲學(xué)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(shè)備。這會改進(jìn)現(xiàn)有的助聽器和指向性傳聲器。并可應(yīng)用于任何需要對聲音來源進(jìn)行定位、理解的場景。

　　設(shè)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(shù)，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(tuán)隊編寫能夠把語音訊號轉(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(tuán)隊使用了卡內(nèi)基梅隆大學(xué)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(fēng)接收，然后轉(zhuǎn)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(zhuǎn)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(tuán)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(jìn)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(jìn)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(zhǔn)來對該系統(tǒng)進(jìn)行測試，并開發(fā)仿生學(xué)習(xí)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(fēng)變成接入物聯(lián)網(wǎng)的指向性麥克風(fēng)，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(rèn)為，實現(xiàn)它并不是太遙遠(yuǎn)。