谷歌于5月在I/O上宣布了Euphonia項目：試圖使語音識別理解具有非標準語音或障礙的人。谷歌剛剛發(fā)布了一篇文章和一篇論文，解釋了其人工智能的一些功能。

　　對于那些有運動障礙的人，比如由肌萎縮側(cè)索硬化癥(ALS)等退化性疾病引起的人，他們的說話聲音根本無法被現(xiàn)有的自然語言處理系統(tǒng)所理解。

　　ASR(自動語音識別)系統(tǒng)通常是從“典型”語音中訓練出來的，這意味著代表性不足的群體，比如那些有語音障礙或口音重的群體，不會體驗到同樣程度的實用功能。

　　目前最先進的ASR模型也會發(fā)生高錯誤率，只有中度言語障礙的ALS，有效地阻止訪問ASR依賴的技術(shù)。

　　值得注意的是，他們至少在一定程度上要歸咎于訓練集。這是我們在人工智能模型中發(fā)現(xiàn)的那些內(nèi)隱偏見之一，這些偏見可能會在其他地方導致高錯誤率，比如面部識別。

　　對谷歌的研究人員來說，這些意味著他們要從ALS患者那里收集數(shù)十小時的語音。正如你可能預期的那樣，因為每個人受自身狀況的影響都不一樣，所以適應(yīng)疾病的影響與適應(yīng)，比如說，一種不尋常的口音，不是同一個過程。

　　用一個標準的語音識別模型作基準，然后以一些實驗性的方式進行調(diào)整，在新的音頻上進行訓練。僅這一點就大大降低了單詞錯誤率，而且對原始模型的更改相對較小，這將意味著在調(diào)整到一個新的語音時不需要太多的計算。

　　研究人員發(fā)現(xiàn)，當這個模型仍然被一個給定的音素(即像“e”或“f”這樣的單個語音)所混淆時，它有兩種錯誤。首先，它不能識別圖上的因素，因此不能識別單詞。其次，模型必須猜測說話者想要表達的音素，在兩個或兩個以上單詞發(fā)音大致相似的情況下，就有可能會選擇錯誤的音素。

　　第二個錯誤是智能處理的錯誤。也許你說，“我要回到房子里去”，而系統(tǒng)卻不能識別出房子里的“b”和“h”。

　　但這要留給未來去研究。目前，你可以知道的是該團隊發(fā)表的一篇名為“在有限的數(shù)據(jù)下，個性化語音障礙和重音語音的ASR”的論文，將于下月在奧地利舉行的Interspeech大會上發(fā)表。