喧鬧中你也能辨識熟人聲音 谷歌AI也想做到這點

　　4月16日消息，據Ars Technica報道，谷歌研究人員開發出一種深度學習系統，旨在幫助計算機更好地識別和分離出嘈雜環境中的個體聲音。

　　正如谷歌本周在Google Research Blog上所稱，該公司內部團隊正試圖復制“人類大腦專注于某個聲音來源同時可過濾掉其他聲音”這種能力，就像你在就會上只與某個朋友交談。谷歌的方法中使用了一個視聽模型，所以它主要集中于在視頻中隔離聲音。該公司發布了些YouTube視頻，展示了該技術的實際應用情況。

　　谷歌表示，這項技術可以應用與使用單一音軌的視頻，并能在視頻算法中隔離聲音，這取決于誰在說話，或者是讓用戶手動選擇他們想聽到的聲音的人臉。谷歌稱，這里的視覺組件是關鍵，因為當某人的嘴在動時，這項技術會觀察到，以便能在特定時刻更好地識別在某人的聲音，并為視頻的長度創建更精確的個人語音軌跡。

　　這篇博客文章寫道，研究人員在YouTube上收集了10萬段“講座和談話”視頻，從這些視頻中提取了近2000小時的視頻片段，并將音頻與人工背景噪聲混合，創造了“合成雞尾酒派對”。然后谷歌通過閱讀人們在每個視頻框架中說話的“臉縮略圖”和該視頻原聲帶的譜圖，訓練技術人員將混合音頻進行拆分。該系統能夠分辨出哪個音頻源在給定的時間內屬于哪張人臉，并為每個揚聲器創建單獨的語音軌跡。

　　谷歌特別指出，封閉字幕系統是該系統的一個優勢，但該公司表示，它設想了“這一技術的廣泛應用”，并且“目前正在探索將其納入各種谷歌產品的機會”。Hangouts和YouTube似乎是兩個容易起步的地方。當應用到智能眼鏡(比如谷歌眼鏡、語音放大耳塞)中時，不難看出該技術是如何工作的。

　　幫助像谷歌Home這樣的智能音箱識別個人聲音，這似乎是另一個用例，但是因為這個模型集中在視頻上，它可能與配有顯示器的智能音箱合作效果會更好，比如亞馬遜的Echo Show。今年早些時候，谷歌為“智能顯示設備”(如Echo Show)集成了Google Assistant，但該公司還沒有發布自己的類似硬件產品。

　　在任何情況下，這種技術的隱私后果似乎和潛在的用例同樣明顯。在上面的例子中，谷歌的聲音隔離遠遠不是安全無憂的，進行更細微的調整后，它可以讓強大的竊聽和監視工具落入壞人之手。