业界 | IBM 语音识别新方向：仿生蝙蝠耳能用声纳精准“聆听”

蝙蝠使用生物声呐，为夜晚在丛林中飞行导航。他们的超声波脉冲，可以比人造声呐装置更精确地对声音进行定位。为复制、驾驭这种能力，IBM 学院奖获得者 Rolf Müller 教授协同他在弗吉尼亚理工学院（Virginia Tech）的团队，设计了一种人造蝙蝠耳。

Rolf Müller 的研究引起了 IBM 的注意。IBM 专家韩金萍（音译）的神经计算团队，和 IBM Watson 语音专家崔晓东（音译）和他的同事， 看到了 Müller 教授人造“动态外耳”（dynamic peripheral，蝙蝠可转动的外耳使它们的生物声呐更加准确）的潜力 ，并希望借此提高人类语音理解的能力。他们把 Müller 的博士生 Anupam Gupta 纳入团队，一同他们探索人造蝙蝠仿生耳在语音处理的应用。

他们发现，这些仿生耳不仅是很有效的声呐装置，对语音识别同样能起到作用。

模仿菊头蝠的人造耳

研究团队根据蝙蝠改变耳朵形状的能力，仿制了一个动态接收系统。它能提高自动语音识别系统（ASR）的精确度，还能更准确地对谈话者定位。韩金萍将在他们的论文《受菊头蝠启发的接收动力学把动态特点加入语音信号》，及本周美国声学协会第 172 届会议上展示了这一发现。

这些动态系统有潜力发展成让使用者“像蝙蝠那样聆听”的语音接收设备。这会改进现有的助听器和指向性传声器。并可应用于任何需要对声音来源进行定位、理解的场景。

设想你身处一个忙碌、吵闹的集市。听清楚你旁边的人在说什么都可能是一项挑战。有了这项技术，同伴的声音就能被一个可变形的助听器识别，然后翻译成你能听懂的话。它还可以过滤掉闹市的杂音，和其他人嗡嗡的说话声。

仿生蝙蝠耳的生物声呐算法

蝙蝠的超声波具有 10 – 200 kHz 的频率，而人耳只能识别 20 Hz – 20 kHz 的声音。因此对我们来说它声调太高，大多数是听不到的。为了驾驭蝙蝠的生物声呐频率和精度，Gupta 加入韩金萍团队编写能够把语音讯号转化为超声波脉冲的代码——然后再把超声波转化为我们能够听到的正常语言。

这首先需要建立一个数据库。为了尽可能地简化，韩金萍团队使用了卡内基梅隆大学开源数据库中，11 个美式英语朗读者的英语字母和数字的发音。

举例子，以字母“A” 或者数字“1”形式出现的数据，被麦克风接收，然后转化为超声波信号。超声波扬声器播放该信号。随后，具有“动态外耳”的人造蝙蝠耳接收信号。最后，软件把超声波信号转化为原始数据——字母“A” 或者数字“1”。

现实（闹市）中的人造耳朵

虽然只包含字母和数字的声音信号数据库有较大限制，但通过分析它，韩金萍团队表示人造耳用“动态、方向性的的时间频率模型”丰富了语音信号。下一步，研究人员把人造耳处理后的声音与原始语音进行对比，来衡量人造耳的精度。因此，他们把原始语音数据和经人造耳处理的声音数据，放入分类器（ classifier ）中进行识别。67% 的语音信号能被成功识别出来。而在没有动态外耳的对照组中，只有 35% 的声音数据被识别。

有了更多的可用分析数据后，研究员们将着手用行业基准来对该系统进行测试，并开发仿生学习算法。再或者，将来他们可能会开发一个“聆听” app，把智能手机麦克风变成接入物联网的指向性麦克风，来帮助使用者选择现实中他想要听到的声音。IBM 研究人员认为，实现它并不是太遥远。

Via IBM