匯流新聞網

匯流新聞網記者洪雅筠/綜合報導

人類能在吵雜的對話場合中，辨別出話是由誰說出口的，那麼人工智慧辦得到嗎？Google近期發表了一項名為Audio-Visual Speech Separation的音訊分離技術，該技術能於吵雜的影片中分辨特定人聲，未來預計將會運用在視訊會議，或是多人辯論的政論節目當中，幫助用戶更清楚地聽到特定人物的聲音。

據外媒報導，Google研究人員利用深度學習、影像模型打造出一套系統，該系統透過分析影像以及聲音，可將影片中各個人物所說的話分離成獨立音軌，還能依照用戶的需求，強化特定的聲音，並消除其他人聲及雜音。

Google軟體工程師Inbar Mosseri及Oran Lang表示，人們擅長於吵雜的環境中，辨別出話是由誰說出口的，並將注意力集中在特定人士身上，這是人類與生俱來的能力，但對電腦來說卻是一項重大的挑戰。

據了解，Google團隊在研發的過程中，引用了 10萬支、總長度達2,000小時的單一講者影片，並將這些影片與其他演講影片、背景雜音混合，用於訓練多重串流卷積神經網路（Multi-Stream Convolutional Neural Network），讓系統能夠辨識個別聲音，產生一套模型。

透過該模型，只要影片中有嘴巴在動，系統就能抓取音擋，即使說話者於過程中不小心被麥克風擋到了，系統仍能不受干擾的執行。用戶若是只想聽見特定人士的聲音，只需於影片中點選人臉，就能成功去除其他聲音。

▲ 雙方雖於激烈爭辯時聲音重疊，但在Audio-Visual Speech Separation的技術下，可以只聽見特定一方的聲音。

Google表示，目前仍在探索應用的範圍，「不過我們相信這項系統將能運用在吵雜的環境中，像是視訊會議、多人辯論的政論節目，以及改良助聽器等等，也不排除會把這套系統導入到自家的Hangouts、Duo語音視訊軟體中。」

消息來源：engadget、google

更多匯流新聞網報導：
人工智慧好聰明！Google Lens可以辨識出貓狗品種了
41家拉麵分店的拉麵你分得出來嗎？Google AutoML Vision辦到了！

【匯流筆陣】
CNEWS歡迎各界投書，來稿請寄至[email protected]，並請附上真實姓名、聯絡方式與職業身份簡介。
CNEWS匯流新聞網：https://cnews.com.tw

新聞照來源：翻拍自YouTube

【文章轉載請註明出處】