上周，亞馬遜在美國(guó)西雅圖舉行的發(fā)布會(huì)上一口氣推出了十余款A(yù)lexa設(shè)備，大部分設(shè)備主要由Alexa語(yǔ)音平臺(tái)驅(qū)動(dòng)。其中部分設(shè)備將增添“耳語(yǔ)模式”功能，使Alexa設(shè)備用耳語(yǔ)來(lái)回應(yīng)用戶的低聲說(shuō)話。日前，亞馬遜Alexa語(yǔ)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(chǔ)。

Raeesy在博文中介紹：“如果你在一個(gè)有小孩睡覺(jué)的房間，當(dāng)有人走進(jìn)來(lái)時(shí)，你會(huì)馬上低聲說(shuō)話，提醒進(jìn)來(lái)的人你希望房間內(nèi)能保持安靜，而進(jìn)來(lái)的人意識(shí)到這一點(diǎn)之后，很可能也會(huì)壓低聲音講話。”

Raeesy指出，Alexa的耳語(yǔ)模式令人難以理解的地方在于它是清音的，也就是說(shuō)，它不涉及聲帶振動(dòng)，往往比普通的語(yǔ)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(yǔ)音和耳語(yǔ)音的神經(jīng)網(wǎng)絡(luò)。

兩種神經(jīng)網(wǎng)絡(luò)主要在結(jié)構(gòu)上有所區(qū)別，一個(gè)是MLP（多層感知器），另一個(gè)是能進(jìn)行時(shí)間遞歸的LSTM（長(zhǎng)短期記憶）網(wǎng)絡(luò)，這兩者用來(lái)做訓(xùn)練的數(shù)據(jù)是一樣的，這些數(shù)據(jù)包括（1）對(duì)數(shù)濾波器組能量，或者是用來(lái)記錄不同頻率范圍信號(hào)能量的語(yǔ)音信號(hào)表示；（2）能區(qū)別耳語(yǔ)音與正常語(yǔ)音之間信號(hào)差異的一組特征。

在測(cè)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(shì)。Raeesy解釋道，Alexa語(yǔ)音識(shí)別引擎的其他組件完全依賴對(duì)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(jìn)而使整個(gè)系統(tǒng)更加緊湊。

Alexa耳語(yǔ)模式的開(kāi)發(fā)并非一帆風(fēng)順，至少在最初階段是這樣的。由于Alexa是通過(guò)短時(shí)間的沉默（一種被稱為“結(jié)束指向”的技術(shù)）來(lái)識(shí)別指令的結(jié)束或者進(jìn)行回復(fù)，LSTM往往在話語(yǔ)即將結(jié)束時(shí)降低置信度。為解決這個(gè)問(wèn)題，研究人員將LSTM的輸出校準(zhǔn)成整個(gè)話語(yǔ)的平均值，最終，降低最后1.25秒的語(yǔ)音數(shù)據(jù)成為維持“耳語(yǔ)模式”性能的關(guān)鍵。

美式英語(yǔ)的耳語(yǔ)模式功能將在今年11月份推出，對(duì)耳語(yǔ)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(yǔ)音技術(shù)研討會(huì)上發(fā)表。