亞馬遜語音專家揭秘Alexa耳語模式的AI基礎

　　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(qū)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。”

　　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(jié)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(jié)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(jié)束指向”的技術)來識別指令的結(jié)束或者進行回復，LSTM往往在話語即將結(jié)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。