雷鋒網(wǎng)按：本文作者王璐、袁媛，原載于聲學在線，雷鋒網(wǎng)已獲得轉(zhuǎn)載授權(quán)。

在美國加州圣克拉拉市召開的AI Frontier大會上，亞馬遜首席科學家Nikko Strom詳細介紹了Alexa背后的深度學習技術(shù)，包括深度學習的基本架構(gòu)，以及語音識別、語音合成等方面的內(nèi)容，其中，語音識別部分提到了Alexa在應(yīng)對“雞尾酒派對難題”所做的工作。那么，什么是“雞尾酒會派對難題”？難道Alexa已經(jīng)解決了這個長達半個多世紀的“難題”嗎？

雞尾酒會派對難題

“雞尾酒會派對難題”其實就是大名鼎鼎的“雞尾酒會效應(yīng)”。

雞尾酒會效應(yīng)（cocktail party effect）由英國認知科學家Edward Colin Cherry于1953年提出，指的是指人類的一種聽力選擇能力。在這種情況下，人可以把注意力集中在某一個聲音刺激上，而忽略其他的背景聲音。也就是說，人類可以集中在某一個人的談話之中，而忽略背景中其他的對話或噪音。

這個維基百科的解釋讓我們聽的有些云里霧里，其實，我們在現(xiàn)實生活中的許多經(jīng)歷很好的詮釋了什么是雞尾酒會效應(yīng)。

喧囂熱鬧的酒吧舞池里燈光耀眼，音樂勁爆，你和朋友在一旁的吧臺聊天，盡管周邊的噪音很大，你還是可以聽到朋友說的內(nèi)容。此時，如果遠處突然有人叫起你的名字時，你會馬上就會注意到。

異國他鄉(xiāng)的小餐館中，周圍交談的食客使用的是各自的母語，西語、法語、葡萄牙語不絕于耳。觥籌交錯間遠處突然傳來一聲中文的“嘿！你在這呢？好久不見”，你立刻就能循著聲音，定位那個說中文的人。即使你們中間隔著十幾張桌子，即使那位朋友的聲音并不洪亮。

這些現(xiàn)象我們都稱之為“雞尾酒效應(yīng)”。這是我們?nèi)祟惵犛X系統(tǒng)表現(xiàn)出的驚人天賦?？茖W家發(fā)現(xiàn)，嬰兒已經(jīng)具備選擇性注意的能力。五個月大的嬰兒就能夠在復(fù)雜的聲音環(huán)境中對自己的名字做出反應(yīng)，這種能力在十三個月大的時候發(fā)展成熟。

雞尾酒會效應(yīng)的產(chǎn)生機制相當復(fù)雜，關(guān)于選擇性注意和雞尾酒會效應(yīng)的成因，學術(shù)界提出過四個有影響力的理論模型：Broadbent的過濾器模型、Treisman的衰減模型、Deutsch & Deutsch理論和Kahneman理論。然而，這四種理論模型都不能完美地解釋“雞尾酒會效應(yīng)”出現(xiàn)的各種現(xiàn)象。所以，目前對于雞尾酒會效應(yīng)產(chǎn)生的機制仍然尚沒有統(tǒng)一的認識，也就是說還沒有統(tǒng)一的理論解釋和支撐我們?nèi)绾谓鉀Q雞尾酒問題。

雞尾酒會效應(yīng)的產(chǎn)生機制雖然復(fù)雜，但對于我們?nèi)祟悂碚f，在多個聲源之間轉(zhuǎn)換注意力是一件非常輕松的事，以至于我們甚至感受不到這個過程的存在。然而，對于我們制造出各種智能設(shè)備來說，做到這一點就是非常有難度的。

在實際應(yīng)用中，當我們對智能設(shè)備發(fā)出命令時，我們可以通過麥克風陣列確定聲源位置，并通過波束形成定向拾取該方向的聲音。然而，這同一方向可能不僅有噪音的干擾，還有電視或其他人同時說話的聲音。設(shè)備需要在相互混雜的聲音中準確提取出對它發(fā)出指令的聲音，而不受其他聲音的影響。

對于我們制造出各種智能設(shè)備來說，它們還無法像人類那樣做到自由地切換注意力。機器目前還不能自主區(qū)分一個方向內(nèi)眾多人聲中，到底哪一個是對它有用的聲音。

Alexa如何應(yīng)對“雞尾酒會問題”？

自Cherry提出“雞尾酒會問題”半個多世紀以來，大量的科學家試圖去解決這個問題，包括自動語音識別（ASR）的預(yù)處理，說話人識別，說話人變化檢測，說話人分離，結(jié)束指向和手動轉(zhuǎn)錄等。1985年，有學者提出了盲信號分離（blindsignal separation），在不知道原始信號的信息和混合方法時，可以比較有效地恢復(fù)獨立的原始信號。后輩學者通過不斷改進，引入了神經(jīng)網(wǎng)絡(luò)的方法，正在逐步提高信號分離的效果。

而此次AI Frontier大會上，Nikko博士介紹亞馬遜使用的方法則是基于上下文聯(lián)系的“Anchored Speech Detection”。這篇發(fā)表于2016年的論文中提到了兩種檢測目標語音的方法，首先需要用戶先說出一個“anchor word”，例如喚醒詞“Alexa”，作為我們學習說話者語音特征的參考。

第一種方法中，估計“anchor word”字段的平均值來標準化特征向量，從中突出低頻部分相對于“anchor word”的差異。

另一種方法則是使用編碼器-解碼器網(wǎng)絡(luò)，通過應(yīng)用常規(guī)對數(shù)幅度因果平均值減法來歸一化該網(wǎng)絡(luò)的特征。

這兩種方法實驗結(jié)果表明：在具有常規(guī)歸一化特征的基線前饋網(wǎng)絡(luò)中，可以實現(xiàn)分類誤差率大約10％的相對降低。

總的來看，Amazon開始嘗試解決“雞尾酒會問題”。然而，雖然Amzon不斷更新其麥克風陣列算法，并在深度學習方面進行大量調(diào)整，但是Alexa目前還是無法做到在同一個方向多人說話的情況下，準確的判斷識別到底是誰在說話。特別是對于Alexa采用基于能量搜索喚醒的算法模式，非常容易受到周圍環(huán)境的干擾，導(dǎo)致噪雜環(huán)境下的喚醒失敗。

雖然到目前為止，“雞尾酒會問題”還沒有得到滿意的解答。但是隨著新器件和新技術(shù)的應(yīng)用，以及越多越多的學者參與研究，相信“雞尾酒會問題”得到解決，不會等待太久時間。

雷鋒網(wǎng)

雷峰網(wǎng)版權(quán)文章，未經(jīng)授權(quán)禁止轉(zhuǎn)載。詳情見轉(zhuǎn)載須知。