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“結束指向”的技術）來識別指令的結束或者進行回復，LSTM往往在話語即將結束時降低置信度。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。
分享
請輸入評論內容...
請輸入評論/評論長度6~500個字
最新活動更多
推薦專題
- 1 UALink規(guī)范發(fā)布：挑戰(zhàn)英偉達AI統(tǒng)治的開始
- 2 北電數(shù)智主辦酒仙橋論壇，探索AI產業(yè)發(fā)展新路徑
- 3 降薪、加班、裁員三重暴擊，“AI四小龍”已折戟兩家
- 4 “AI寒武紀”爆發(fā)至今，五類新物種登上歷史舞臺
- 5 國產智駕迎戰(zhàn)特斯拉FSD，AI含量差幾何？
- 6 光計算迎來商業(yè)化突破，但落地仍需時間
- 7 東陽光：2024年扭虧、一季度凈利大增，液冷疊加具身智能打開成長空間
- 8 地平線自動駕駛方案解讀
- 9 封殺AI“照騙”，“淘寶們”終于不忍了？
- 10 優(yōu)必選：營收大增主靠小件，虧損繼續(xù)又逢關稅，能否乘機器人東風翻身？
