编辑 | 伊风
出品 | 51CTO技术栈(微信号:blog51cto)
全面发力AI的苹果 , 再出新研究!
随着人工智能技术的发展,我们熟悉的“Hey Siri”或将成为历史 。
苹果团队最新出炉的论文《利用大型语言模型进行设备指向性语音检测的多模态方法》,集中于这一问题的研究:不使用“Hey Siri”这样的特定短语触发智能语音助手,可行吗?
结果是:有希望 。苹果推出的多模态系统在设备指向性语音检测任务上的错误率比单一模态(文本或音频)的模型要低,分别降低了最多39%和61% 。并指出,未来将在音频字幕和声学场景分类等领域发力,提供更好的虚拟助手交互体验 。
现在,人们与GPT、Kimi的聊天愈发轻松 。相较而言 , 与Siri、智能音箱等语音助手的交互还比较机械,它们好像也经常“get”不到我们的意思 。
这一次的AI赋能,或许到了语音助手们的show time了 。
1.苹果的论文说了什么?
与虚拟助手的交互通常以一个预定义的触发短语开始(Hey Siri),然后才是用户的命令内容 。
为了使与助手的交互更加直接自然,放弃触发短语直接开始交互是一种优化思路 。为了验证这个思路的可行性 , 研究人员使用智能手机捕获的语音以及背景噪音的声学数据训练了一个大型语言模型 。
研究人员写道,该模型部分建立在一个版本的OpenAI的GPT-2之上,“因为它相对轻量级 , 有可能在智能手机等设备上运行” 。
论文描述了用于训练模型的超过129小时的数据和额外的文本数据,但没有指定进入训练集的录音来源 。
这项研究尝试利用非文本信号来增强 LLM,以解决在真实生活场景中 , 背景噪声和语音重叠带来的识别问题 。在文本信息之外,这项研究使用了各种多模态信息,包括从预训练音频编码器中获得的声学特征,以及 1-best 假设和语句级解码器信号,来自 ASR 系统的声学成本和图形成本 。
通过对所有模态进行联合学习,对系统进行微调,设备可以更加聪明地决定是不是要启动“Siri”(见下图 ) 。
文章插图
图片
研究表明,苹果提出的新模型能够比仅使用音频或文本的模型做出更准确的预测,并且随着模型规模的增大而进一步提高 。除了探索研究问题之外 , 目前尚不清楚苹果是否计划取消“Hey Siri”触发短语 。
这项研究已上传至Arxiv(但尚未经过同行评审,想要阅读完整论文的朋友可以移步:https://ieeexplore.ieee.org/document/10446224) 。
2.六位苹果作者,一半来自Siri
七位作者中有六位隶属于苹果公司 , 其中三位在Siri团队中工作 。
文章插图
图片
Siddharth Sigtia在苹果的Siri团队担任高级科学家,从事声学建模 。
文章插图
图片
Panayiotis Georgiou在Siri团队担任机器学习工程师,研究重点是人类交流分析、行为信号处理、语音处理(包括语音识别、去噪、语音活动检测)以及机器学习(重点是深度神经网络) 。在入职苹果之前,他曾在高校供职多年,拥有非常深厚的学术背景 。
文章插图
文章插图
Matt Mirsamadi同样是Siri团队的机器学习工程师,博士期间的两段实习经历都在微软 。
文章插图
3.新技术的另一面:无触发语意味着全程监听吗?
2014 年,苹果推出了 "Hey Siri "功能 , 用户从此不必在按下按钮,只使用语音即可完成交互 。十年过去了,人们还记得Siri诞生之初 , 人们对虚拟助手的空前期待 。谷歌内部也曾认为Siri的交互方式将对自家的搜索业务产生灾难性的冲击 。
推荐阅读
- 周杰伦亲历台湾地震称晃到不行, 台湾地震多艺人发文提醒注意安全
- 夫妻分床睡会影响感情吗 夫妻分床睡多久可以提出离婚
- 2020年是郑和下西洋多少周年
- 《与凤行》直到行止被凤来嫌太弱,沈璃才发现,天道对行止有多狠
- 吴君如这发型多精神呀,怎么那么多网友喷她呢?
- 25的腰围是多少尺码,25的裤子的腰围是多少厘米
- 不努力怎么挣钱!佘诗曼为《今天的她们》发声,打了多少人的脸?
- 光年等于多少年,1光年等于多年注:就是一个人走完一光年要多少年
- 演员葛珊珊曝光本山传媒内幕:每月靠工资还房贷,跟打工族也差不多
- 贾玲现身好莱坞,离开美颜滤镜,真实状态曝光:褶子多、法令纹深