語音識別領(lǐng)域已經(jīng)取得了許多重大進(jìn)展，但是，距離機(jī)器人與人類真正的自由交流，卻還有許多難題需要解決，其中的難題之一就是遠(yuǎn)場語音識別。
目前，計(jì)算機(jī)將語音轉(zhuǎn)換為文字，僅限近講的情況，一旦人與麥克風(fēng)相距較遠(yuǎn)，有混響或噪聲存在的情況下，語音識別率急劇降低，特別是有混響的情況，更對語音識別提出挑戰(zhàn)，這與人有著極大的不同。也就是說在有適當(dāng)混響的情況下，人會感覺聲音飽滿，聽得更加清楚，而對于計(jì)算機(jī)，機(jī)器人，卻恰恰相反。還有，眾所周知的雞尾酒效應(yīng)中，我們?nèi)祟愂蔷哂幸环N聽力選擇能力的，形象的描述就是在一個(gè)雞尾酒會上，人可以將注意力集中在某一個(gè)人的談話上，而忽略周圍人的談話及背景噪聲。盡管周邊的噪聲很大，我們?nèi)匀豢梢月牭轿覀兏信d趣的說話內(nèi)容。這種能力我們每個(gè)人都有，但要讓機(jī)器也具有這種能力，卻是非常困難的。
現(xiàn)有解決方案
近半個(gè)世紀(jì)以來，科學(xué)家一直在致力于解決這個(gè)難題。目前，解決機(jī)器聽覺系統(tǒng)的雞尾酒會效應(yīng)主要有兩個(gè)研究方向。
第一種是聽覺場景分析，主要是基于音頻特征及語言模型對混在一起的語音進(jìn)行分離。例如：可以利用語音信號諧波特性、短時(shí)平穩(wěn)特性、隱馬爾科夫語言模型，實(shí)現(xiàn)將混在一起的談話聲分離。但是，這種方法的缺點(diǎn)之一是對語音進(jìn)行了一些不合理的假設(shè)，如不同人的說話聲在頻譜上是不重疊的。而且除此之外，基于語言模型的估計(jì)方法運(yùn)算量又很大，難以實(shí)用。
第二種是基于麥克風(fēng)陣列的方法，利用麥克風(fēng)陣列設(shè)計(jì)空間濾波器，實(shí)現(xiàn)對特定方向聲源的提取，并抑制其他方向上語音，從而達(dá)到對不同位置的聲音進(jìn)行分離的目的，缺點(diǎn)是需要多個(gè)麥克風(fēng)且計(jì)算復(fù)雜。
未來解決方案
顯然，上述的現(xiàn)有兩個(gè)解決方案都不能達(dá)到令我們滿意的程度。然而，最近美國杜克大學(xué)的學(xué)者給我們帶來了新的希望。
通過將聲學(xué)材料及壓縮感知技術(shù)結(jié)合發(fā)明的一種新型器件，不僅使得單個(gè)麥克風(fēng)就可以實(shí)現(xiàn)對三個(gè)混合聲源的分離，而且，其正確率可以達(dá)到96.67%。新器件與傳統(tǒng)的信號處理方法不同，它是通過設(shè)計(jì)精妙的聲學(xué)材料實(shí)現(xiàn)對不同方向的聲源進(jìn)行編碼，且不需要對聲源有任何先驗(yàn)知識或假設(shè)。
該新器件是由一個(gè)塑料圓盤構(gòu)成，外形十分類似一個(gè)披薩。圓盤的中心放置一個(gè)麥克風(fēng)，麥克風(fēng)周圍由36個(gè)扇形的通道組成，每個(gè)通道都是一個(gè)聲波導(dǎo)，由許多蜂窩狀的結(jié)構(gòu)組成。每個(gè)通道都能夠把經(jīng)過它的聲波進(jìn)行調(diào)制，因此，整體結(jié)構(gòu)類似于一個(gè)參數(shù)可調(diào)的均衡器。
圓盤的工作原理，與你對著一個(gè)裝著水的瓶子說話時(shí)的情景很類似。由于聲波振動(dòng)的影響，瓶子內(nèi)部的空氣會發(fā)生共振，從而聲音某些頻率的能量會被衰減，而衰減的頻率值由瓶內(nèi)水的多少?zèng)Q定。圓盤的每個(gè)通道都類似于一個(gè)裝著水的瓶子，通過精妙的設(shè)計(jì)每個(gè)通道中的蜂窩狀晶格的高低大小就可以實(shí)現(xiàn)對聲音不同頻率的能量進(jìn)行衰減，從而達(dá)到對聲波編碼的目的。
不過，由于新器件的尺寸較大，目前還難以在實(shí)際中獲得很好的應(yīng)用。但試想一下，一旦該器件可以小型化，它將取代目前通用的麥克風(fēng)陣列技術(shù)。利用單個(gè)麥克風(fēng)，且不需要進(jìn)行復(fù)雜的計(jì)算就可以實(shí)現(xiàn)在嘈雜的環(huán)境下提取感興趣的語音，這是一件多么美妙的事情。
|
