索尼“无声语音识别”大法：脖颈贴合传感器 AI转换皮肤

lida96 · 发表于 2020-4-6 08:13:46

马上注册，结交更多好友，享用更多功能，让你轻松玩转社区

您需要登录才可以下载或查看，没有账号？立即注册

×

如今，对于听力有障碍的群体来说，听不到的声音，可以触摸到了。“触摸”听不到的语言，是由东京大学和索尼计算机科学研究所（CSL）共同研发的 AI 系统“Derma”实现的。有了 Derma 系统，只要在喉咙周围的皮肤上贴上传感器，利用喉咙和下颚的皮肤震动，就能将口形转化为语音。

登录/注册后可看大图

可“触摸”的语言
根据病症的严重程度，现阶段治疗听力障碍的主流手段包括：
[align=justify]

其中，人工耳蜗植入是当前让重度、极重度耳聋患者恢复听力的唯一有效办法。
早在 1957 年，法国科学家首次将电极植入一位全聋病人的耳蜗内，使该患者感知到周围的环境音。直到上世纪 90 年代，人工耳蜗进入临床应用阶段，给极重度耳聋患者带来了“新生”。
实际上，人工耳蜗的发展离不开电子技术、计算机技术、语音学、电生理学、材料学、耳显微外科学的发展。在这些学科兴起、发展之前，针对听力障碍患者，科学家给出的应对措施是一种叫做 Tadoma 的触诊唇读法。顾名思义，这种疗法是指——听力障碍患者通过用手指触摸说话者的嘴唇、下巴、脖颈处，读取说话者想表达的内容。
而上述日本团队研发 AI 系统 Derma 的灵感，最初正是源于 Tadoma。
通过机器学习将 Tadoma 自动化
该团队的设计其实就是将 Tadoma 疗法的过程通过机器学习自动化了。
就其原理而言，如下图所示，在喉咙周边的皮肤上贴上一个加速度/角速度传感器，获取无声发声时下颚、舌肌运动引起的从下颚到喉咙的皮肤颤动信息，采用深度学习进行分析识别，最终实现将无声语音转换为语音输入的无声语音交互（Silent Speech Interaction，SSI）。

登录/注册后可看大图

该传感器可获取 12 维的皮肤运动信息，深度学习可以分析、识别 35 种发声类型。实验表明，识别皮肤颤动信息的精准度超过 94％。
值得一提的是，研究团队训练模型用到了连接时间分类（Connectionist Temporal Classification, CTC）。
实际上，在训练语音识别器的过程中，受说话者语速等因素影响，将输入与输出对齐是一个难点。为解决这一问题，连接时间分类就派上用场了。
就其外形而言，与现有的一些无声语音交互设备相比，这一设备体积小、重量轻、并不显眼。此外，这一系统耗电量低，不易受到环境亮度等因素的影响，不会影响到佩戴者的正常生活，可以说是非常实用了。
另外研究团队表示，经转换后的语音合成不仅可以输入到具有语音识别功能的数字设备（语音助手），同时也能帮助有语言障碍的患者进行交流。
将来，该团队的研究方向则是可穿戴电子设备和体内嵌入式计算集成。
基于 AI 的无声语音交互
近年来，无声语音交互领域方兴未艾，当前产业和学界在该领域的思路主要有 2 条——通过感知气流识别话语（气流采集）和通过感知肌肉运动的方式识别话语（EMG 信号采集）。以下是该领域发展的大致时间线：
[align=justify]

实际上，无声语音识别不仅可以帮助有听力、语言障碍的人群，也适用于包括灾害现场、舱外探索、水下作业、工厂车间在内的场景。
不过，无声语音交互设备要想真正成为消费级产品，还需打磨。正如微软全球资深技术院士、微软云与人工智能事业部负责人黄学东博士曾表示：
[blockquote]
公开的测试、已发表的学术文章，虽不能与现实完全割裂，但相比消费级产品与商业场景，仍需要不一样的评判标准。[/blockquote]关于索尼 CSL
正如上文所述，Derma 由东京大学和索尼 CSL 共同研发。

登录/注册后可看大图

在中国人民大学出版社 2011 年出版的一本名为《索尼研究所的经营哲学》的书中，索尼 CSL 董事长所真理雄便讲述了索尼 CSL 的经营管理理念。所真理雄写道，索尼 CSL 遵循“小即是美”的经营理念，坚持不扩大规模，因此诞生了众多的“异类和天才”，同时也支持人才的“流通”。
索尼 CSL 成立于 1988 年，作为索尼公司的“创新工厂”，广泛关注计算机科学、生命科学、脑科学和经济学等多个领域。当前索尼 CSL 的研究方向包括“全球议程”（涵盖从能源到食品和医疗保健的问题）、“人类增强”（包括探索人类创造力和人机交互/集成的研究）与“网络智能”（AI）。
2019 年 11 月，索尼宣布成立索尼 AI 部门，以“利用 AI 激发人类的想象力和创造力” 为使命，旨在推进 AI 技术的基础研发，而索尼 CSL 总裁兼 CEO Hiroaki Kitano 便是索尼 AI 的全球负责人。