手机上的实时语音转录，谷歌为听障人士连接世界

现在，只要使用一台普通的安卓手机，有听力障碍的人们就可以和他人进行直接无障碍的对话了、和谷歌的大多数产品一样，这种工具支持多种语言（包括中文）。

谷歌Live Transcribe的语音转录效果

近日，在一个媒体沟通活动中，谷歌向我们展示了这一最新产品，并介绍了它的开发历程。

据世界卫生组织 (WHO) 估计，全球目前已有 4.66 亿耳聋及听障人士；而到2055年，这一数字将高达9亿。“在65到74岁的人群中，约有三分之一的人报告自己有听力障碍，”GoogleAI产品经理Sagar Savla在活动中介绍道。“我在印度居住的祖父母就有听力障碍。而这些老年人习惯了正常形式的交流，当出现了听觉障碍后生活就会很不方便。”

自动语音识别（ASR）技术能够让计算机检测到人类对话的语言，并将其转录为文本以供阅读。此前，这种方法已经可以为视频自动添加字幕，并可以为电话提供语音转录的文字显示。然而在很多场景下，这种技术还无法部署，它面临着延迟大、设备要求过高等问题。

谷歌一直在试图解决这些挑战。据介绍，Live Transcribe团队成立于去年，其提出的人工智能语音识别技术目前适用于一对一对话形式，并主要依托云计算处理信息。Live Transcribe所搭载的平台是全球分布范围最广的安卓系统——现在全世界已有超过20亿台安卓设备。

Live Transcribe在转录语音时可以很好地结合上下文，减少识别错误。为了让最终产品更加易于使用，开发者们与Gallaudet大学进行了用户体验的研究，并找到了语音转录效率最高的显示方式。目前，它在对话时语音转录的反应延迟低于200毫秒。

软件可以显示语音转录文字的置信度（上图左），但谷歌的研究人员发现这种方式可能降低人们的阅读效率 Live Transcribe采用了两种神经网络：手机上的网络被用于分类声音，如狗叫和小孩的哭声；分类后的人声信息则交于云端基于RNN的神经网络进行语音识别，其可以在7个字之间上下文范围内进行纠错。

为了提高效率，谷歌在先前AudioSet的工作基础上，实现了基于神经网络的设备端语音检测器。该网络是一种图像式模型，类似于此前发布的VGGish模型，它可以检测语音并自动管理与云ASR引擎的网络连接，将长时间使用过程中的数据流量消耗降至最低。

“谷歌服务器云端处理的方式可以让Live Transcribe覆盖更多人群，并适配更低配置的手机。”Sagar Savla表示，“目前，这一工具可以安装在全球20多种安卓设备上。”

这一工具已支持70种语言，其中包括英语、汉语、西班牙语等主要语言，这意味着它可以覆盖80%以上的全球人口。对于双语家庭而言，Live Transcribe也可以通过快速切换功能处理两种语言。

为了让更多人能够获得Live Transcribe带来的便利，谷歌的开发人员尽可能地减少这种系统的需求。据介绍，其手机端模型大小仅为4m，以便让四五年前买到的智能手机也可以安装。“在设计这个产品之初，我们发现大多数听障人群的设备配置并不高。”Savla介绍道，“但只要有网络，我们的工具就可以工作。”

选择手机作为载体，Live Transcribe也面临着缺乏麦克风阵列的问题。语音识别的一大挑战就是“鸡尾酒会问题”——在背景噪音、多人声存在的情况下，人工智能算法往往无法分辨出目标人的语音。为了解决这一问题，谷歌团队采用了最简单的方法：设计一个两个同心圆形的提示器，若现场噪音过大，则提示“听者”前往一个更安静的地点继续对话。

Sagar SavlaLive Transcribe项目在谷歌不仅建立起了一个开发团队，也吸引了重量级技术人员的参与——Dimitri Kanevsky也参与了这个研究，他是一个俄裔著名学者，也是一个天生的聋人，早在1998年Dimitri就在开发了第一个远程转录系统，并曾获得美国的很多国家级荣誉。“大腕级的人物加盟推动了新工具的发展。”Sagar Savla表示。

Live Transcribe只是一个开始。目前，这一工具已在谷歌Pixel 3手机上的GBoard上开始了应用。在未来，谷歌还希望能把这一技术推向更多种类的手机，并增强系统的抗噪音能力。

作者暂无likerid, 赞赏暂由本网站代持，当作者有likerid后会全部转账给作者（我们会尽力而为）。


Support author:
Author's Filecoin address:
Or you can use Likecoin to support author: