（原標(biāo)題：亞馬遜Alexa真的解決了“雞尾酒派對(duì)”難題嗎？）

　　導(dǎo)語(yǔ)：什么是“雞尾酒會(huì)派對(duì)難題”？難道Alexa已經(jīng)解決了這個(gè)長(zhǎng)達(dá)半個(gè)多世紀(jì)的“難題”嗎？

　　雷鋒網(wǎng)按：本文作者王璐、袁媛，原載于聲學(xué)在線，雷鋒網(wǎng)(公眾號(hào)：雷鋒網(wǎng))已獲得轉(zhuǎn)載授權(quán)。

　　在美國(guó)加州圣克拉拉市召開的AI Frontier大會(huì)上，亞馬遜首席科學(xué)家Nikko Strom詳細(xì)介紹了Alexa背后的深度學(xué)習(xí)技術(shù)，包括深度學(xué)習(xí)的基本架構(gòu)，以及語(yǔ)音識(shí)別、語(yǔ)音合成等方面的內(nèi)容，其中，語(yǔ)音識(shí)別部分提到了Alexa在應(yīng)對(duì)“雞尾酒派對(duì)難題”所做的工作。那么，什么是“雞尾酒會(huì)派對(duì)難題”？難道Alexa已經(jīng)解決了這個(gè)長(zhǎng)達(dá)半個(gè)多世紀(jì)的“難題”嗎？

　　雞尾酒會(huì)派對(duì)難題

　　“雞尾酒會(huì)派對(duì)難題”其實(shí)就是大名鼎鼎的“雞尾酒會(huì)效應(yīng)”。

　　雞尾酒會(huì)效應(yīng)（cocktail party effect）由英國(guó)認(rèn)知科學(xué)家Edward Colin Cherry于1953年提出，指的是指人類的一種聽力選擇能力。在這種情況下，人可以把注意力集中在某一個(gè)聲音刺激上，而忽略其他的背景聲音。也就是說(shuō)，人類可以集中在某一個(gè)人的談話之中，而忽略背景中其他的對(duì)話或噪音。

　　這個(gè)維基百科的解釋讓我們聽的有些云里霧里，其實(shí)，我們?cè)诂F(xiàn)實(shí)生活中的許多經(jīng)歷很好的詮釋了什么是雞尾酒會(huì)效應(yīng)。

　　喧囂熱鬧的酒吧舞池里燈光耀眼，音樂勁爆，你和朋友在一旁的吧臺(tái)聊天，盡管周邊的噪音很大，你還是可以聽到朋友說(shuō)的內(nèi)容。此時(shí)，如果遠(yuǎn)處突然有人叫起你的名字時(shí)，你會(huì)馬上就會(huì)注意到。

　　異國(guó)他鄉(xiāng)的小餐館中，周圍交談的食客使用的是各自的母語(yǔ)，西語(yǔ)、法語(yǔ)、葡萄牙語(yǔ)不絕于耳。觥籌交錯(cuò)間遠(yuǎn)處突然傳來(lái)一聲中文的“嘿！你在這呢？好久不見”，你立刻就能循著聲音，定位那個(gè)說(shuō)中文的人。即使你們中間隔著十幾張桌子，即使那位朋友的聲音并不洪亮。

　　這些現(xiàn)象我們都稱之為“雞尾酒效應(yīng)”。這是我們?nèi)祟惵犛X系統(tǒng)表現(xiàn)出的驚人天賦。科學(xué)家發(fā)現(xiàn)，嬰兒已經(jīng)具備選擇性注意的能力。五個(gè)月大的嬰兒就能夠在復(fù)雜的聲音環(huán)境中對(duì)自己的名字做出反應(yīng)，這種能力在十三個(gè)月大的時(shí)候發(fā)展成熟。

　　雞尾酒會(huì)效應(yīng)的產(chǎn)生機(jī)制相當(dāng)復(fù)雜，關(guān)于選擇性注意和雞尾酒會(huì)效應(yīng)的成因，學(xué)術(shù)界提出過(guò)四個(gè)有影響力的理論模型：Broadbent的過(guò)濾器模型、Treisman的衰減模型、Deutsch Deutsch理論和Kahneman理論。然而，這四種理論模型都不能完美地解釋“雞尾酒會(huì)效應(yīng)”出現(xiàn)的各種現(xiàn)象。所以，目前對(duì)于雞尾酒會(huì)效應(yīng)產(chǎn)生的機(jī)制仍然尚沒有統(tǒng)一的認(rèn)識(shí)，也就是說(shuō)還沒有統(tǒng)一的理論解釋和支撐我們?nèi)绾谓鉀Q雞尾酒問題。

　　雞尾酒會(huì)效應(yīng)的產(chǎn)生機(jī)制雖然復(fù)雜，但對(duì)于我們?nèi)祟悂?lái)說(shuō)，在多個(gè)聲源之間轉(zhuǎn)換注意力是一件非常輕松的事，以至于我們甚至感受不到這個(gè)過(guò)程的存在。然而，對(duì)于我們制造出各種智能設(shè)備來(lái)說(shuō)，做到這一點(diǎn)就是非常有難度的。

　　在實(shí)際應(yīng)用中，當(dāng)我們對(duì)智能設(shè)備發(fā)出命令時(shí)，我們可以通過(guò)麥克風(fēng)陣列確定聲源位置，并通過(guò)波束形成定向拾取該方向的聲音。然而，這同一方向可能不僅有噪音的干擾，還有電視或其他人同時(shí)說(shuō)話的聲音。設(shè)備需要在相互混雜的聲音中準(zhǔn)確提取出對(duì)它發(fā)出指令的聲音，而不受其他聲音的影響。

　　對(duì)于我們制造出各種智能設(shè)備來(lái)說(shuō)，它們還無(wú)法像人類那樣做到自由地切換注意力。機(jī)器目前還不能自主區(qū)分一個(gè)方向內(nèi)眾多人聲中，到底哪一個(gè)是對(duì)它有用的聲音。

　　Alexa如何應(yīng)對(duì)“雞尾酒會(huì)問題”？

　　自Cherry提出“雞尾酒會(huì)問題”半個(gè)多世紀(jì)以來(lái)，大量的科學(xué)家試圖去解決這個(gè)問題，包括自動(dòng)語(yǔ)音識(shí)別（ASR）的預(yù)處理，說(shuō)話人識(shí)別，說(shuō)話人變化檢測(cè)，說(shuō)話人分離，結(jié)束指向和手動(dòng)轉(zhuǎn)錄等。1985年，有學(xué)者提出了盲信號(hào)分離（blindsignal separation），在不知道原始信號(hào)的信息和混合方法時(shí)，可以比較有效地恢復(fù)獨(dú)立的原始信號(hào)。后輩學(xué)者通過(guò)不斷改進(jìn)，引入了神經(jīng)網(wǎng)絡(luò)的方法，正在逐步提高信號(hào)分離的效果。

　　而此次AI Frontier大會(huì)上，Nikko博士介紹亞馬遜使用的方法則是基于上下文聯(lián)系的“Anchored Speech Detection”。這篇發(fā)表于2016年的論文中提到了兩種檢測(cè)目標(biāo)語(yǔ)音的方法，首先需要用戶先說(shuō)出一個(gè)“anchor word”，例如喚醒詞“Alexa”，作為我們學(xué)習(xí)說(shuō)話者語(yǔ)音特征的參考。

　　第一種方法中，估計(jì)“anchor word”字段的平均值來(lái)標(biāo)準(zhǔn)化特征向量，從中突出低頻部分相對(duì)于“anchor word”的差異。

　　另一種方法則是使用編碼器-解碼器網(wǎng)絡(luò)，通過(guò)應(yīng)用常規(guī)對(duì)數(shù)幅度因果平均值減法來(lái)歸一化該網(wǎng)絡(luò)的特征。

　　這兩種方法實(shí)驗(yàn)結(jié)果表明：在具有常規(guī)歸一化特征的基線前饋網(wǎng)絡(luò)中，可以實(shí)現(xiàn)分類誤差率大約10％的相對(duì)降低。

　　總的來(lái)看，Amazon開始嘗試解決“雞尾酒會(huì)問題”。然而，雖然Amzon不斷更新其麥克風(fēng)陣列算法，并在深度學(xué)習(xí)方面進(jìn)行大量調(diào)整，但是Alexa目前還是無(wú)法做到在同一個(gè)方向多人說(shuō)話的情況下，準(zhǔn)確的判斷識(shí)別到底是誰(shuí)在說(shuō)話。特別是對(duì)于Alexa采用基于能量搜索喚醒的算法模式，非常容易受到周圍環(huán)境的干擾，導(dǎo)致噪雜環(huán)境下的喚醒失敗。

　　雖然到目前為止，“雞尾酒會(huì)問題”還沒有得到滿意的解答。但是隨著新器件和新技術(shù)的應(yīng)用，以及越多越多的學(xué)者參與研究，相信“雞尾酒會(huì)問題”得到解決，不會(huì)等待太久時(shí)間。