谷歌的语音识别利器，最先造福了自己的员工
By 超神经
场景描述：近日 Google Brain 团队对外发布了 Parrotron 项目，帮助人和设备更准确地理解具有语音障碍的人。Parrotron 从音频分析入手，从语音信号的角度来解决问题。它通过单个端到端深度神经网络训练，将来自语音障碍人士的语音，直接转换为流利的合成语音，从而帮助他们解决交流上的问题。
关键词：构音障碍 深度神经网络 机器翻译
Dimitri Kanevsky，出生于 50 年代的俄罗斯，他的成长阶段经历了中苏冷战，但他仍然完成学业，并获得了数学博士学位。
他的求学、工作足迹从俄罗斯开始，辗转于以色列、德国，最终选择留在了美国，并成为了谷歌的研究科学家，专注于语音识别算法领域。
似乎是一个学霸精英的人生路径：受到良好的教育，获得美国绿卡、光鲜的工作、152 项美国科学技术专利，最后在硅谷登顶人生巅峰。
故事却远远没这么简单，Dimitri Kanevsky 并不是一个普通人。大多数人都难以想到，他还是听障人群中的一员。
Dimitri Kanevsky 在一岁时，因为药物导致了耳聋，但他的家庭依旧为他选择了正常的教育，他从小就开始学习读唇、发声，一直就读于普通学校。并在十几岁的时候，通过俄语发音的辅助，开始学习英语。
但在学习英语时，因为听力障碍、俄语发音差别等原因，他在语言交流上存在很大的障碍。他说出的语句比较模糊，常常是对方听不懂的表达。甚至连对自己的家人的口头关怀，都有可能无法递达。
简单来说，他说的英语大多数人很难直接听懂，为了解决自己的问题，也帮助更多和自己面临类似问题的人群，Dimitri Kanevsky 一直在攻克语音识别方向的课题。
有时只为完成一些普通的交流
Dimitri Kanevsky 需要借助语音转文字的工具
在医学上，这种说话不清楚的情况称为「构音障碍 dysarthria」。据统计，因为身体疾病而导致构音障碍的情形，在全世界多达一百万人。
构音障碍是由于神经病变，与言语有关的肌肉麻痹、收缩力减弱或运动不协调所致的言语障碍，通俗的说法是「口齿不清」。
比如中风，大脑麻痹，帕金森病，唐氏综合症， ALS（渐冻症）等诸多疾病，都会造成这一状况。
对方说了叽里咕噜的一堆
你听到的却是呜呜哇哇的一串杂音...
同样在谷歌，一位叫 Aubrie Lee 的品牌市场经理，被诊断出罕见的肌肉萎缩症（渐冻症），导致她长时间要在轮椅上度过。
全身肌肉的不断流失，也造成了她在交流上的困难。Aubrie 在听力和发音上都异常吃力，还因为无法微笑而常常被人误解。此外她还拥有多种口音，发音并不清晰，在对话时对方往往无法明白她的意思。
为了帮助 Dimitri Kanevsky 和 Aubrie Lee 这样的同伴，解决他们在语言上的难题，构音困难逐渐成了谷歌 AI 研究团队的一个科研方向。
关怀语言障碍者，谷歌推出突破性工具
几年前，Kanevsky 带着 30 年的语音识别经验，加入谷歌的 AI 研究组，那时还没有能让他和其他人正常沟通的便捷工具。每次开会， Kanevsky 都需要提前预定 CART 服务，依赖字幕员进入到会议中，将语音信息敲到屏幕上进行对话。
同样的，Aubrie 和自己同事们，也都需要花费很大的力气，才能完成常人轻松胜任的工作交流。但这种窘境，正在慢慢地成为历史。
2019 年 2 月，谷歌推出了一款 App——Live Transcribe ，为便携式的语言转化带来了曙光。它是一款即时转录真实世界语音的应用程序，使用手机自带的麦克风，即可将语音转换为实时显示的文字。
随后，在 5 月份的谷歌 I/O 大会上， Project Euphoria 被提出，这个计划为 ALS 导致的语言受损人群，提供一套语音到文字的解决方案。
Project Euphoria 中
谷歌训练 AI 模型以适应语言障碍
在这个月，谷歌推出了一款新的 AI 工具 Parrotron，能够直接将模糊的声音，转化成标准的合成音。这将解决语言障碍的技术又往前推进了一步。
Parrotron 由端到端的深度神经网络组成，从音频分析的角度入手，在使用时，测试者对着手机等设备说话，就能快速的得到转述后的标准发音。
在论文《Parrotron: An End-to-End Speech-to-Speech Conversion Model and its Applications to Hearing-Impaired Speech and Speech Separation》中，Parrotrn 表现优异，语音识别和转化的正确率都有了新的突破。
论文地址：https://arxiv.org/abs/1904.04169
Parrotron：将模糊话语，翻译成清晰的语音
那这项看起来黑科技满满的技术，究竟是怎么做到的呢？
Parrotron 是一个端到端的序列到序列模型，使用输入/输出语音对的并行语料库训练，建立了模糊音与正常语句之间的映射。
Parrotron 的结构流程示意图
网络模型由注意力机制的编码器和解码器组成，最后由声码器合成时域波形，提供预测出的音频信号。
编码器将声学帧序列转换为隐藏的特征表示，解码器将解析出表示以预测出频谱图。
操作上分为两个步骤：首先，为标准流畅的音频构建语音到语音转换模型，然后调整模型参数将模糊语音作为输入，让模型学会分辨和识别。
Kanevsky 和另一员工使用 Parrotron
为了模拟 ALS 患者的语音特征，他们使用来自 Project Euphonia 的 ALS 语音语料库，通过合成语言的方式制造模糊的语句，作为训练数据。
而对特定的个人，就由本人提供录制的素材。
在经过训练后，转换模型能够排除语言中的干扰因素，比如重音、韵律和背景噪音等影响；同时忽略掉所有非语言信息的干扰，包括说话者特征，环境因素，说话方式，仅分析和处理谈话的内容。
Parrontron 前两位测试者：毫无悬念
要验证 Parrotron 的实际效果，自然还要看它在实践中的表现。而测试的最佳人选，毫无疑问落到了 Dimitri Kanevsky 和 Aubrie Lee 身上。
在实验中，Dimitri 录制了一个 15 小时长的语料库，让模型学习他讲话时的细微之处。通过学习，模型在最后的翻译中，在测试集里的翻译错误率，从开始的 89% 降低到了 32% 。
换句话说，使用 Parrotron 转录的语音，对方或者 ASR （语音识别）系统能够轻松的听懂他了。
Kanevsky 使用 Parrotron 的详情
随后， Aubrie Lee 也进行了测试，通过她贡献的 1.5 小时讲话内容，模型翻译出的准确的语音，也让她实现了清楚表达的愿望。
AI for Social Good：人工智能的使命
人工智能打造的无障碍项目，在最近几年被频繁地提出。许多极具关怀的技术纷纷出现，在努力帮助残障人士打开新奇的大门。
当然，技术在服务这些人的同时，也被这些特别的群体所推动。比如 Dimitri Kanevsky，因为深知构音障碍带来的困境，他一直致力于语音辨识和通讯研究的研究工作。而 Aubrie Lee 则用热烈而蓬勃的生活态度，鼓舞和督促着更多对残障人群的研究投入。
Aubrie 还是跨学科艺术家、设计师
活跃在多个为残疾人权益斗争的平台上
虽然目前的数据显示，情况还并不乐观：在全球所有的残障人士中，只有十分之一的人，获得了相应的技术工具。但所幸的是，随着一些喜人的进步，很多情况都在发生改变。
作为科技大厂的谷歌，还在实施他们「AI for social good」的计划，而诸如 Parrotron 之类的工具，大概就是朝着美好愿景踏进的脚印。
在人工智能技术风靡世界的当下，我们看到了 AI 对艺术的改造和创造力，对社会生活的积极推动，但也看到了有人利用 AI 恶意换脸、拼接、无中生有。
希望 AI 能回归科学的初心，帮助更多需要帮助的人，Make the world a better place！
—— 完 ——
扫描二维码，加入讨论群
获得优质数据集
回复「进群」自动入群
更多精彩内容（点击图片阅读）