如果說在上一輪人機(jī)大戰(zhàn)的人臉識(shí)別對(duì)決中，由于小度對(duì)陣了并不擅長(zhǎng)人臉識(shí)別的王峰，令比賽意義打了折扣，那么昨天進(jìn)行的第二輪聲音識(shí)別的人機(jī)大戰(zhàn)，雖然最終只是戰(zhàn)平，但對(duì)于AI 界的意義卻似乎更大。

原因有兩點(diǎn)：一、公認(rèn)實(shí)力頂尖的對(duì)手；二、業(yè)界公認(rèn)困難的比賽內(nèi)容。

在對(duì)手上，此次迎戰(zhàn)百度小度的是名人堂公認(rèn)最擅長(zhǎng)聲音辨別的選手孫亦廷，他辨別聲音細(xì)節(jié)的能力在名人堂無出其右，能通過水球從0~70米高空墜地破碎的聲音，來準(zhǔn)確辨別水球下落時(shí)的高度。這相當(dāng)于在一根70米長(zhǎng)的琴弦上拉奏任意位置，他都通過音高準(zhǔn)確辨別拉弦的位置，甚至比這更困難。

在比賽內(nèi)容上，存在當(dāng)前聲紋識(shí)別領(lǐng)域公認(rèn)的幾大難點(diǎn)。我們不妨先看看比賽規(guī)則：

由嘉賓周杰倫在21位專業(yè)合唱團(tuán)成員中任選三位歌唱者，并與其進(jìn)行現(xiàn)場(chǎng)通話，通話錄音被截取成片段，人機(jī)共同根據(jù)這些“只言片語”的童話片段，在隨后的合唱表演中一次找出這三位歌唱者。

看完比賽規(guī)則后，連專業(yè)人士也認(rèn)為這對(duì)目前的聲紋識(shí)別技術(shù)有較大的難度，極限元的聯(lián)合創(chuàng)始人、人工智能專家馬驥告訴雷鋒網(wǎng)：

影響聲紋識(shí)別的聲音特征參數(shù)比如韻律、節(jié)奏、基頻、速度等等因素，這些在說話和唱歌時(shí)是完全不同的。對(duì)于小度來說，學(xué)習(xí)訓(xùn)練建模用的語音數(shù)據(jù)和最終進(jìn)行識(shí)別的語音數(shù)據(jù)，生物特征差別太大就會(huì)導(dǎo)致判斷失誤。

低質(zhì)量的語音數(shù)據(jù)，又要在強(qiáng)噪聲干擾下對(duì)歌唱數(shù)據(jù)進(jìn)行識(shí)別，對(duì)小度來說確實(shí)挑戰(zhàn)很大。

據(jù)以往對(duì)聲紋識(shí)別技術(shù)的了解，雷鋒網(wǎng)發(fā)現(xiàn)百度小度此次至少面臨聲紋識(shí)別領(lǐng)域中的3個(gè)困擾：

一、收集正常說話聲，卻需要辨別唱歌

我們知道，聲紋識(shí)別的基本原理其實(shí)是特征值比對(duì)，通過之前收集的聲音中提取特征值來形成特征庫，之后將需要辨別的聲音與特征庫中的數(shù)據(jù)進(jìn)行比對(duì)。問題就在于，專業(yè)合唱者的歌聲和正常說話時(shí)聲音的特征是有明顯區(qū)別的。

實(shí)際上，對(duì)于專業(yè)合唱者來說，在唱歌時(shí)發(fā)聲部位靠后，正常說話時(shí)發(fā)生部位靠前，從物理上看，發(fā)聲部位都不一樣。這就要求機(jī)器學(xué)習(xí)算法具有極強(qiáng)的「泛化能力」，能夠準(zhǔn)確處理學(xué)習(xí)時(shí)沒有遇到過的樣本。

小度如果想要成功辨別，就必須具備在較少的數(shù)據(jù)（只言片語）中辨別同一個(gè)人在說話和唱歌時(shí)差距的能力。

二、合唱發(fā)聲差異性極小且互相影響

目前聲紋識(shí)別技術(shù)尚未完全解決的一大難題就是對(duì)抗環(huán)境噪音干擾，以及在多人同時(shí)發(fā)聲條件下對(duì)聲音的識(shí)別。在現(xiàn)場(chǎng)除了有環(huán)境底噪之外，每個(gè)合唱隊(duì)員在發(fā)聲時(shí)或多或少都會(huì)混進(jìn)一些別人的聲音。

此外，在聲紋識(shí)別中也存在類似于人臉識(shí)別中的”雙胞胎難題”——聲音的趨同效應(yīng)。此次嘉賓周杰倫在合唱團(tuán)中挑選的人的聲音差異性非常小，而大合唱本身又要求聲音整齊和諧，這又進(jìn)一步提高了辨別的難度——大家會(huì)刻意通過改變發(fā)音習(xí)慣等來使得合唱達(dá)到更好的效果。

三、聲音片段不完整且時(shí)間過短

人在發(fā)音時(shí)，存在著協(xié)同發(fā)音效應(yīng)，即一句話前后相連的語音總是彼此影響，而這些特性會(huì)被機(jī)器以數(shù)據(jù)驅(qū)動(dòng)的方式學(xué)習(xí)到模型中。

而在本次比賽中，語音被特意處理為了不連續(xù)的信號(hào)，人的一些發(fā)音習(xí)慣就很可能被損壞掉，加大了小度機(jī)器人對(duì)原本說話人特征提取表征的難度。

對(duì)于機(jī)器學(xué)習(xí)算法來說，一段語音的時(shí)間越長(zhǎng)，那么捕捉的有效特征就越多，如果語音過短則會(huì)大大降級(jí)識(shí)別率，這就是聲紋識(shí)別領(lǐng)域中的短時(shí)語音聲紋驗(yàn)證難題。而在節(jié)目中截取后的錄音片段，一整條語音不超過10個(gè)字，有效時(shí)間小于 3s。這就給小度的算法帶來了極大的難度——它需要更有效地從短時(shí)的、斷斷續(xù)續(xù)的線人說話聲中提取出所能表征的個(gè)人信息。

本文暫且不討論這些條件對(duì)于人類的困難程度，因?yàn)閷O亦廷擁有的辨音能力并非通過后天訓(xùn)練可獲得，天賦就占據(jù)了主導(dǎo)因素。單就對(duì)于機(jī)器而言這也是前所未有的挑戰(zhàn)，使得百度語音技術(shù)部總監(jiān)高亮在現(xiàn)場(chǎng)多次出現(xiàn)咬唇、皺眉等緊張狀態(tài)。

小度兩次辨別失誤的背后發(fā)生了什么？

最終，三個(gè)環(huán)節(jié)的較量雙方以1:1平局告終。人類選手孫亦廷也成功辨別第二位歌唱者，而小度也只成功辨別了第三位歌唱者。有趣的是，第一次人機(jī)均辨別錯(cuò)誤，而錯(cuò)誤答案竟出乎意料的一致。小度在前兩次失敗和一次成功中究竟經(jīng)歷什么？負(fù)責(zé)百度人工智能技術(shù)研究的核心專家向雷鋒網(wǎng)透露其中的奧秘。

百度首席科學(xué)家吳恩達(dá)(Andrew Ng)表示，“在此次人機(jī)大戰(zhàn)之前，我們使用了2萬個(gè)人的數(shù)據(jù)和超過5000個(gè)小時(shí)的訓(xùn)練時(shí)間來訓(xùn)練我們的模型。”

【吳恩達(dá)和林元慶正在講解節(jié)目背后的原理】

兩個(gè)模型出現(xiàn)“分歧”

吳恩達(dá)說，在本次比賽中，小度使用了兩套聲紋識(shí)別領(lǐng)域比較經(jīng)典的算法來進(jìn)行聲音識(shí)別，一是基于 DNN-ivector 的系統(tǒng)，一是基于端對(duì)端深度神經(jīng)網(wǎng)絡(luò)的說話人特征提取。同時(shí)使用兩套系統(tǒng)能分別從不同角度對(duì)說話人的特征進(jìn)行提取，最后再將兩個(gè)模型進(jìn)行融合，這樣能有效提升系統(tǒng)的魯棒性（Robustness）。  

他說，實(shí)際上兩個(gè)模型都在三次辨別中正確辨別了兩次，但是當(dāng)兩個(gè)模型的結(jié)果融合在一起的時(shí)候，反而最終只辨別對(duì)了一個(gè)。原因主要在于辨別難度較高，兩套算法模型在前兩輪出現(xiàn)了“分歧”。

吳恩達(dá)說，第一個(gè)模型判斷正確了一、三輪，第二個(gè)模型判斷正確了二三輪，當(dāng)兩個(gè)模型在出現(xiàn)“分歧”時(shí)，哪一個(gè)算法表現(xiàn)地更 “自信”，就取用誰的答案。這就好比人們?cè)诳紨?shù)學(xué)題時(shí)用了兩種解題思路，解出了不同的答案，由于時(shí)間緊迫只能選擇一個(gè)“相對(duì)靠譜”的答案。

他坦言，兩個(gè)模型都判斷對(duì)了兩個(gè)，但是最終的結(jié)果反倒只對(duì)了一個(gè)，這確實(shí)有些"unlucky"(不湊巧），存在一定概率問題。但也確實(shí)讓看到了優(yōu)化的空間，未來希望能使用更優(yōu)的方法，比如使用更多數(shù)量的模型來進(jìn)行綜合計(jì)算。

通過自適應(yīng)調(diào)整來辨別唱歌

百度小度是如何通過說話聲來“聽懂”歌聲的，這讓許多人疑惑不解。百度深度學(xué)習(xí)實(shí)驗(yàn)室（IDL）主任林元慶告訴雷鋒網(wǎng)：

第一步，我們會(huì)利用大量的標(biāo)準(zhǔn)化數(shù)據(jù)來進(jìn)行底座訓(xùn)練，得到一個(gè)基本的模型，這個(gè)是沒有特殊處理的，比如在我們采取20000個(gè)人的語音數(shù)據(jù)都是從語音搜索引擎抽取出來的，通過這些數(shù)據(jù)我們就可以訓(xùn)練出一個(gè)非常好的模型。

在此基礎(chǔ)上，我們收集少量的，比如1000個(gè)人在特殊場(chǎng)景下的聲音，比如說唱歌。在比賽之前我們知道有唱歌內(nèi)容，但是不知道要唱什么歌，于是去收集一些歌來訓(xùn)練模型，讓模型能夠更準(zhǔn)確的識(shí)別說話和唱歌時(shí)的聲音差異。

【DNN-ivector 算法如何辨別唱歌】

如何解決底噪和多人同時(shí)說話

對(duì)于如何解決背景噪音的問題上，吳恩達(dá)表示，通常在訓(xùn)練模型時(shí)會(huì)刻意加入一些背景噪音的數(shù)據(jù)，我們可以通過疊加兩段聲音的疊加來得到一段新的帶噪音的語音，將這些噪音放入到我們的深度神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，就可以在一定程度上解決背景噪音的問題。

在和環(huán)境底噪相比，聲紋識(shí)別更大的難題是多人同時(shí)發(fā)聲音。當(dāng)兩（多）個(gè)人同時(shí)說話，且聲音的音色、頻率相近時(shí)，機(jī)器很難區(qū)分哪一個(gè)是自己想要聽的，哪一個(gè)是噪音。而人的耳朵經(jīng)過多年的進(jìn)化，已經(jīng)獲得了一種叫做“雞尾酒會(huì)效應(yīng)”的神奇能力，能自動(dòng)屏蔽不想聽到的聲音。

對(duì)此，百度語音識(shí)別技術(shù)負(fù)責(zé)人李先剛坦言，

就現(xiàn)在的深度學(xué)習(xí)或者相關(guān)技術(shù)來說，處理同一個(gè)麥克風(fēng)捕捉的多人同時(shí)說話的數(shù)據(jù)確實(shí)很難做，還有很多地方值得我們?nèi)ヌ魬?zhàn)。但就實(shí)際應(yīng)用場(chǎng)景來說，有其他方法可以較好地解決該問題，比如強(qiáng)化定位，正如人有兩個(gè)耳朵可以定位聲音源，在實(shí)際應(yīng)用中我們可以采用多個(gè)麥克風(fēng)來加強(qiáng)目標(biāo)聲源的聲音，這樣就能較好地分辨目標(biāo)聲源和周圍嘈雜。

吳恩達(dá)告訴雷鋒網(wǎng)，此次百度在CES上推出的最近推出的小魚（Little Fish）機(jī)器人中配置了2個(gè)麥克風(fēng)，可以一定程度解決多人說話的問題，未來還可以用4個(gè)、7個(gè)甚至更多麥克風(fēng)來處理該問題。

由此我們發(fā)現(xiàn)，雖然21位歌唱者是以合唱的形式進(jìn)行發(fā)聲，但節(jié)目組“很有心機(jī)”地為每個(gè)人都配備了高指向型的，這正是為了盡可能避免相互聲音干擾的問題。

    

從比賽的結(jié)果來看，雖然小度前兩次均識(shí)別失敗，且節(jié)目組有些“雞賊”地以合唱之名來突出辨別的難度，事實(shí)上由于每個(gè)選手都單獨(dú)配備了麥克風(fēng)，小度獲取的語音數(shù)據(jù)也許幾乎無異于單獨(dú)錄制。但總體看來，各個(gè)因素造成的聲紋識(shí)別難度是業(yè)界有目共睹的，且拋開所謂技術(shù)理想，百度大腦“秀肌肉”的目的就已然達(dá)到。

隨著人工智能的發(fā)展，未來這樣的“人機(jī)大戰(zhàn)”可能會(huì)更加頻繁的上演，人類智慧天賦的極限在短時(shí)間內(nèi)幾乎很難上升，但機(jī)器進(jìn)步的空間卻依然很大。正如當(dāng)年第一臺(tái)蒸汽火車被發(fā)明出來時(shí)，有人駕著馬車譏笑火車沒有馬車快一樣，那些譏笑火車的人最終受到歷史的譏笑。如果人們?cè)诳创藱C(jī)大戰(zhàn)之時(shí)，只關(guān)心“誰戰(zhàn)勝了誰”，那么總有一天人機(jī)大戰(zhàn)也會(huì)失去意義。

下周五，再次出山的“水哥”王昱珩和小度機(jī)器人據(jù)說依然會(huì)進(jìn)行圖像識(shí)別相關(guān)的比拼。具有頂尖觀察力、腦力的人類，和世界一流的人工智能之間還會(huì)碰撞出怎樣的火花？還需拭目以待。雷鋒網(wǎng)將繼續(xù)為您帶來報(bào)道和技術(shù)分析，也希望更多人的關(guān)注點(diǎn)不再僅僅聚焦于輸贏。

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