（文章來(lái)源：北國(guó)網(wǎng)）

搜狗AI正在朝著這一步邁進(jìn)：由人類說(shuō)一段話，AI根據(jù)唇形和語(yǔ)音準(zhǔn)確識(shí)別內(nèi)容。最近搜狗與清華天工研究院合作，在語(yǔ)音和唇語(yǔ)的多模態(tài)識(shí)別方面取得了重大成果。ICASSP是全世界最大的，也是最全面的信號(hào)處理及其應(yīng)用方面的頂級(jí)會(huì)議，是IEEE的一個(gè)重要的年度會(huì)議，對(duì)于信號(hào)處理方面的學(xué)術(shù)人士有著重要意義。

隨著語(yǔ)音識(shí)別的快速發(fā)展，純粹靠聲音的識(shí)別技術(shù)越來(lái)越成熟，識(shí)別準(zhǔn)確率達(dá)到98%以上，很多公司，包括搜狗在內(nèi)都推出了成熟的產(chǎn)品，比如搜狗輸入法語(yǔ)音輸入和搜狗智能錄音筆等。但是純粹依靠語(yǔ)音的識(shí)別方式存在一個(gè)缺陷，就是無(wú)法在嘈雜環(huán)境下仍然保持較高的識(shí)別準(zhǔn)確率。

通常當(dāng)語(yǔ)音環(huán)境比較安靜時(shí)，語(yǔ)音識(shí)別的準(zhǔn)確率會(huì)比較高，但當(dāng)語(yǔ)音環(huán)境較為嘈雜時(shí)，語(yǔ)音識(shí)別的準(zhǔn)確率會(huì)明顯下降。而視覺(jué)的識(shí)別方法不受環(huán)境聲音的影響，人在嘈雜環(huán)境下，聽(tīng)不清對(duì)方講話時(shí)，會(huì)自然的盯緊講話者的嘴巴，大致明白講話者的意思。實(shí)際上聽(tīng)力障礙人士，正是通過(guò)講話者的唇語(yǔ)進(jìn)行交流的。搜狗研究人員想到，如果讓AI也能把這兩種方法結(jié)合起來(lái)，就能提高語(yǔ)音識(shí)別的準(zhǔn)確率。

早在2017年年底，搜狗就已經(jīng)發(fā)布了一個(gè)唇語(yǔ)識(shí)別的初步成果，是業(yè)內(nèi)首家公開(kāi)展示唇語(yǔ)識(shí)別的公司。但當(dāng)時(shí)的準(zhǔn)確率僅有50%~60%，限制了它的實(shí)際應(yīng)用，而且搜狗語(yǔ)音和唇語(yǔ)的技術(shù)也一直是分開(kāi)做的。經(jīng)過(guò)一年多的發(fā)展，唇語(yǔ)識(shí)別技術(shù)已經(jīng)有了很大的提升，搜狗團(tuán)隊(duì)開(kāi)始考慮將聽(tīng)覺(jué)與視覺(jué)兩種識(shí)別的模式融合起來(lái)，即所謂的“多模態(tài)”識(shí)別，這是搜狗唇語(yǔ)識(shí)別繼烏鎮(zhèn)互聯(lián)網(wǎng)大會(huì)發(fā)布后的新突破。

但多模態(tài)識(shí)別不是簡(jiǎn)單的把音頻和視頻的識(shí)別疊加起來(lái)，在這個(gè)過(guò)程中，研究人員需要克服兩個(gè)難題。聲音和視覺(jué)特征是兩種本質(zhì)上差異很大的模態(tài)，而且原始幀速率通常不一樣，音頻為每秒100幀，而視頻為每秒24幀。采用直接拼接的方法會(huì)造成信息損失，使得聽(tīng)覺(jué)特征在模型訓(xùn)練過(guò)程中起到主導(dǎo)作用，造成模型訓(xùn)練難收斂，視覺(jué)信息對(duì)聽(tīng)覺(jué)信息的提升有限。

在安靜的情況下應(yīng)該是語(yǔ)音占主導(dǎo)，在嘈雜環(huán)境下一定是視頻占主導(dǎo)。如何根據(jù)不同的環(huán)境選擇二者的比例。

搜狗的做法是 “基于注意力的編碼器解碼器”。在這個(gè)框架下，分別使用兩個(gè)神經(jīng)網(wǎng)絡(luò)編碼器對(duì)輸入的不同模態(tài)的序列進(jìn)行逐層特征抽取，得到高層特征表達(dá)。然后，由解碼器分別對(duì)不同模態(tài)的特征表達(dá)進(jìn)行注意力計(jì)算，得到聲音和視覺(jué)模態(tài)信息中對(duì)應(yīng)于當(dāng)前解碼時(shí)刻的上下文向量（context vector）。不同模態(tài)的上下文向量經(jīng)由模態(tài)間的注意力自動(dòng)對(duì)不同模態(tài)的信息進(jìn)行融合，并輸入到輸出層得到解碼輸出。

可見(jiàn)在編解碼框架下，由于融合的是不同模態(tài)的context vector，而不是對(duì)原始特征或者編碼器輸出的高層特征進(jìn)行直接融合，解決了不同模態(tài)的特征長(zhǎng)度不同的問(wèn)題。

同時(shí)，這種模態(tài)注意力（Modality Attention）依據(jù)不同模態(tài)各自的重要程度計(jì)算出相應(yīng)的融合系數(shù)，反應(yīng)了不同模態(tài)在當(dāng)前解碼時(shí)刻的不同貢獻(xiàn)度，可以隨著不同解碼時(shí)刻的不同信噪比等得到不同的模態(tài)融合權(quán)重，得到更加魯棒的融合信息。

搜狗從去年6月開(kāi)始立項(xiàng)，10月就完成并投遞了論文，在這個(gè)過(guò)程中，融合模型的設(shè)計(jì)是其中最困難的一步，研究人員周盼介紹說(shuō)，他們?cè)谶@個(gè)問(wèn)題上花費(fèi)了大約一半的時(shí)間。實(shí)驗(yàn)結(jié)果證實(shí)了搜狗努力獲得的回報(bào)。在信噪比為0dB（信號(hào)與噪聲大小相當(dāng)）時(shí)，搜狗的多模態(tài)識(shí)別將準(zhǔn)確率提高了30%。

而且模型在不同噪聲下，體現(xiàn)出了對(duì)語(yǔ)音和視頻兩種不同模態(tài)間的依賴。隨著噪聲的提升，模型在融合音視覺(jué)時(shí)，對(duì)視覺(jué)信息的依賴比例在逐漸提升。0dB信噪比時(shí)，視頻的注意力權(quán)重接近40%，高于語(yǔ)音清晰環(huán)境中35.9%的比例?，F(xiàn)場(chǎng)，搜狗像我們展示了一段Demo，模擬了各種嘈雜環(huán)境下的多模態(tài)識(shí)別。

在模擬乘坐地鐵的環(huán)境中，可以看到無(wú)論是單獨(dú)的語(yǔ)音識(shí)別和唇語(yǔ)識(shí)別都無(wú)法正確還原原來(lái)的語(yǔ)句，但是二者結(jié)合起來(lái)，就可以正確識(shí)別出“北京今天天氣怎么樣”這句話。語(yǔ)音交互技術(shù)中心首席科學(xué)家陳偉還特別指出，視頻識(shí)別還能根據(jù)唇形識(shí)別語(yǔ)句在何處結(jié)束，也提高了在嘈雜環(huán)境下識(shí)別的準(zhǔn)確率。

這么實(shí)用的功能何時(shí)才能用上呢？陳偉預(yù)計(jì)，多模態(tài)語(yǔ)音識(shí)別將在搜狗的手機(jī)輸入法中集成，目前搜狗還在和車廠合作通過(guò)車內(nèi)的麥克風(fēng)、攝像頭做出更準(zhǔn)確的語(yǔ)音識(shí)別。輸入法走向?qū)υ挕⑺阉髯呦?a target="_blank">問(wèn)答，是搜狗一項(xiàng)長(zhǎng)期戰(zhàn)略。未來(lái)視頻識(shí)別的場(chǎng)景會(huì)越來(lái)越多，所以搜狗認(rèn)為多模態(tài)識(shí)別是NLP研究發(fā)展的一個(gè)必然的趨勢(shì)。