【我們為什麼挑選這篇文章】你有想過在人聲吵雜的咖啡廳，為什麼我們的耳朵可以專注眼前說話的朋友，而不是整間咖啡廳的人聲？這個特異功能以前只有人耳辦得到，現在 Google AI 也學會了！一起了解有哪些多功應用跟這項技術有關。（責任編輯：楊采翎）
在吵雜、人潮多的場所中，當人們談論到自己的名字或感興趣的議題時，我們可以自動遮蔽其他噪音，只關注在欲得知的事物上，這是人類擁有的能力之一，被稱之為「雞尾酒會效應」，近日 Google AI 也學會了這項特技。
儘管近年語音辨識技術已有顯著進步，但是雞尾酒會效應（cocktail party effect）仍是一道跨不過去的坎，原因在於機器若無法擷取單獨音訊，自然沒辦法分辨語音內容。好消息是，近日 Google 終於有了新突破，並將該技術稱之為「Looking to Listen」。
Google 研究團隊打造出一個深度學習視聽模型，仿照雞尾酒會效應，從混合音訊中分離出單一音訊，例如以增強特定對象的人聲、降低環境音等方式等，讓模型專注於辨識單一特定的人聲。
該模型最大的突破在於，讓它同時判讀影像和音訊，透過視覺特徵來辨識當下正在說話的人，具體來說透過嘴型和聲音，協助判斷影片中的人物與聲音的對應，再經過音訊分離模型之後，輸出個別聲音資料，這樣的效果比起單純語音辨識更加準確。
為了訓練模型，Google 收集了 YouTube上 10 萬筆的演講影片，從中截取出 2000 個小時只有講者聲音沒有任何雜音的「乾淨」影音，再將這些片段合成出人工雞尾酒派對資料庫，並與其他資料庫結合，作為深度學習的數據。運作的成果，能分離不同的聲音，辨識獨立的人聲。
這項技術的應用領域相當廣泛，例如提供更準確的自動生成字幕，會議或吵雜環境的影音後期處理等。目前 Google 也公布利用該模型，進行人聲增強、分隔語音的示範影片。
——
（本文經合作夥伴 智慧機器人網 授權轉載，並同意 TechOrange 編寫導讀與修訂標題，原文標題為 〈影／七嘴八舌聽不清？Google AI 新技能─獨立特定音訊 跟惱人環境音說掰〉，首圖來源： YouTube截圖。）
延伸閱讀
還在用人工打逐字稿？4 款中、英文語音辨識軟體讓你提早下班
AI 辨識＋語音助理：美國新創 Aira 打造出一副幫盲人看清世界的眼鏡
【Google 潮。設計】只要台幣 750 讓你手作會「打 pass」語音助手，堪稱最實用聖誕禮物！
