谷歌发布新一代定向人声分离系统，2.2MB模型提升设备端语音识别

2020 年 11 月 14 日 机器之心

机器之心发布

机器之心编辑部

2018 年，谷歌科学家王泉等人发表 VoiceFilter 系统，利用声纹识别实现定向人声分离。最近，王泉等人挑战设备端语音识别难题，提出新一代定向人声分离系统 VoiceFilter-Lite，只需 2.2MB 大小的模型，就能将重叠语音的词错率（word error rate）降低 25.1%。

鸡尾酒会问题一直是语音识别领域中的重要研究课题。在一场人声嘈杂的鸡尾酒会上，人们难以专注于眼前正与自己交谈的那个人的声音。而对于语音识别算法而言，重叠语音信号会使识别准确率大幅降低，甚至有时无法识别出任何文字。

传统的声源分离算法在用于语音识别时，往往面临挑战，例如未知的说话人数量、训练过程中的置换不变性（Permutation Invariant），以及如何从最终分离的多个信号源中找出需要识别的信号源。谷歌 2018 年发表的 VoiceFilter 系统，巧妙地利用声纹识别技术，实现了对特定说话人声音的定向分离，详见机器之心 2018 年的报道：只对你有感觉：谷歌用声纹识别实现定向人声分离。

VoiceFilter 系统处理重叠语音的示例。

然而，VoiceFilter 系统在用于设备端语音识别时，会面临更多挑战，例如模型大小的限制、对 CPU 和内存的占用，以及设备电池和系统延迟方面的考量。

为解决这些问题，近日谷歌发布博客，介绍了新一代定向人声分离系统 VoiceFilter-Lite。该方法同样基于谷歌的声纹识别技术，但 只需要 2.2MB 大小的模型，就能将重叠语音的词错率（word error rate）降低 25.1% 。该模型能够用于设备端语音识别，从而让用户在没有网络连接的情况下，也能在嘈杂的背景噪声环境下使用语音助手。

VoiceFilter-Lite 在设备端的使用 demo。

VoiceFilter-Lite 模型：改善设备端语音识别

与之前的 VoiceFilter 系统相比，新的 VoiceFilter-Lite 模型采用了许多巧妙的优化。例如，模型的输入和输出不再是音频波形，而是直接对语音识别模型的输入特征（对数梅尔滤波器组）进行分离，将该特征中不属于目标说话人的成分滤除掉。为进一步压缩模型大小，VoiceFilter-Lite 对模型结构也进行了优化，并通过 TensorFlow Lite 库，对参数进行了量化。模型架构如下图所示：

VoiceFilter-Lite 模型架构。

VoiceFilter-Lite 与其他方法相比，一个重要优势在于「即插即用」的特性。也就是说，如果用户没有录入其声纹，系统可以很方便地跳过 VoiceFilter-Lite 模型。因此，VoiceFilter-Lite 模型可以和语音识别模型分别进行训练与更新，这将大幅简化语音模型的工程部署工作。

如何解决过度抑制问题

人声分离算法被用于语音识别时，一个常见的问题是过度抑制（over-suppression），也就是将本应保留的部分有用信号错误地过滤掉，导致识别出的文本缺失大量字词。由于最近的语音识别模型普遍采用大量数据增强方法，所以过度抑制造成的问题远大于抑制不足（under-suppression）。

VoiceFilter-Lite 在设计过程中采用了两种方法来解决过度抑制的问题。首先，在训练过程中，损失函数采用了非对称的形式，也就是过度抑制相比抑制不足会有更大的权重。此外，模型被设计为可以动态检测重叠语音的存在。当检测到输入信号包含重叠语音时，模型将采用更大的抑制强度。

这两种方法的结合使用，让 VoiceFilter-Lite 模型不仅能大幅提升重叠语音的识别准确率，还能在任何其他环境下都不对识别准确率造成负面影响，包括各种噪声背景下的单说话人语音识别场景。

未来工作

最后，博客作者、谷歌声纹识别与语言识别团队负责人王泉指出，目前的 VoiceFilter-Lite 技术只被应用于提升英语的语音识别，未来谷歌将会用相同的技术提升其他语言的语音识别。另外，作者考虑在 VoiceFilter-Lite 的训练过程中直接对语音识别损失函数进行优化，从而进一步提升各种环境下的识别准确率。