雷刚 发自 凹非寺
量子位 报道 | 公众号 QbitAI
一个AI音箱，认得每一个说话的对象。
所谓“千人千面”，此之谓也。小孩说话，它就依照小孩的喜好和模式，老人票友，它的智能推荐也相应变化……
总之一个音箱，对每一个跟他说话的人，都能分辨清楚——对人类再正常不过的能力，对AI却并不容易。
幸好，Google今天把这种AI正在追求的能力，又往前推进了一步。
而且论文放出，核心算法开源，就等你也来试试了。
RNN模型
Google的新方法，是通过递归神经网络（RNN）模拟说话者的输入，只要开始发言，每个说话者都会建立一个属于他的RNN模型，然后在过程中，不断更新相应的RNN状态。
加入我们正在进行一场多人会议，音频输入是线性的，但在Google这个模型中，会按照不同音色进行不同标注。
黄色代表一个发言者，红色又是另一个，然后黄色嘉宾发言者又接着发言了。
之前在进行类似的研究时，通常基于聚类算法，都是无监督学习的方法，因此给每个发言者打标签不容易。
另外，发言者混合交织发言，让无监督学习的模型最终效果亦打折扣。
但RNN不同，在这次研究者中，Google同学专门在中餐厅进行了训练（其中几位作者都是中国人）。
在中餐厅中，发言人未知且人数不确定。然后在开始发言后，他们一旦被识别，就会有对应的RNN模型，每个人都被建了一个，然后相应发言者有更新，就会在他的RNN模型上更新。
效果
论文中称，他们把核心算法放在数据集NIST SRE 2000 CALLHOME上验证，最后得出的在线分类错误率（DER）低至7.6%。
更早之前，他们旧方法的错误率还是8.8%.
那92.4%的准确率意味着什么呢？
对实时应用程序而言，已足够高了。
意义
或许你会问了，有啥用嘞？
智能音箱自不必说了，如果你家音箱能认得你家每一个人，自然个性化的AI体验会好很多很多。
另外在很多会议速记、影视作品配字幕配音的过程中，也能应用。
你可能也会用过一些所谓的“AI速记”产品，但一到多人会议就惨不忍睹了。
所以Google这次开源，可能会帮到他们。
至于更多实现或应用，感兴趣的盆友，欢迎自己上手~
传送门
论文地址：
https://arxiv.org/abs/1810.04719
开源地址：
https://github.com/google/uis-rnn
— 完 —
欢迎大家关注我们的专栏：量子位 - 知乎专栏
诚挚招聘
量子位正在招募编辑/记者，工作地点在北京中关村。期待有才气、有热情的同学加入我们！
相关细节，请在量子位公众号(QbitAI)对话界面，回复“招聘”两个字。
量子位 QbitAI· 头条号签约作者
վ'ᴗ' ի 追踪AI技术和产品新动态
