44、谷歌与微软的语音研究进展

谷歌与微软的语音研究进展

1. 谷歌语音研究：实现通用语音接口的鲁棒性探索

近年来，智能手机语音输入的语音识别取得了巨大成功，并得到了公众的广泛应用。自然而然地，人们期望在嘈杂和远场条件下也能使用这种语音接口，例如在智能助手、可穿戴设备或汽车等应用场景中。然而，这种场景的转变带来了显著的技术复杂性，但用户却期望能获得与使用手机时相同的体验。

在语音增强领域，经过多年的研究，已经开发出了各种算法，以实现远场和/或嘈杂条件下的自动语音识别（ASR）。对于多麦克风（或多通道）系统，通常会应用语音增强技术将多通道输入转换为单通道信号，其目标是减少混响和噪声对识别准确性的负面影响。这一增强过程通常包括三个阶段：定位、波束形成和后滤波。

• 定位 ：估计语音信号的方向，为后续的波束形成提供基础。
• 波束形成 ：实现空间滤波，放大特定方向的信号，抑制其他方向的输入。通常使用最小方差无失真响应或多通道维纳滤波等目标来定义增强信号的优劣。
• 后滤波 ：进一步处理信号，提高识别准确性。

然而，多通道处理在现实环境中的实际应用面临着诸多挑战。如果定位估计出现误差，后续的波束形成会增强噪声并抑制语音，从而降低性能。此外，优化也是一个难题。定位、空间滤波和后滤波通常使用代理指标进行优化，而最终目标是提高识别准确性，这可能导致即使各个子部分成功优化了自身目标，联合系统也未必能受益。

为了解决这些问题，谷歌对神经网络架构进行了扩展。首先，独立于多通道处理，将识别系统的前端处理直接融入神经网络