据VentureBeat报道，在语（yǔ）音嘈（cáo）杂的环境中，要想分辨出有几（jǐ）个人讲话、在什（shí）么时（shí）间讲话，对于（yú）机器来（lái）说非常困难。但谷歌人工智能(AI)研究部（bù）门在语音识别（bié）方面取得（dé）了新（xīn）进展，能以92%的准确率识（shí）别出每个（gè）人（rén）声音的专属模式（shì）。

谷歌AI研究（jiū）部门在最（zuì）新名（míng）为（wéi）《FullySupervisedSpeakerDiarization》的（de）论文和相关（guān）博客文章（zhāng）中（zhōng），研究人员描述了一（yī）种新的（de）AI系统，它（tā）“能以一种更有（yǒu）效的方式识别声音”。

这套系统涉及到Speakerdiarization任务（wù），即（jí）需要标注出“谁（shuí）”从“什么时候”到“什（shí）么时候”在（zài）说话，将语音样本分（fèn）割成独特的、同构（gòu）片段的过程。强大的AI系统（tǒng）必（bì）须能（néng）够将新的演（yǎn）讲者发音（yīn）与（yǔ）它以前从未（wèi）遇到过的语音片段关联起（qǐ）来。

这篇论文的作者声称，核心（xīn）算法已经可在Github上的（de）开源软件中可（kě）用，它（tā）实现了（le）一个在线（xiàn）二值化错（cuò）误（wù）率(DER)，在NISTSRE2000CALLHOME基（jī）准上是7.6%，这对（duì）于实时应用来（lái）说已经足够低了，而谷歌之前使用的方法（fǎ）DER为8.8%。

谷歌研究人员的新方法是通（tōng）过递归神经网（wǎng）络(RNN)模拟演讲者的嵌入(如（rú）词（cí）汇和短（duǎn）语的数（shù）学表示)，递归神（shén）经网络是一种机（jī）器学习模型，它可以利（lì）用内部状（zhuàng）态来处（chù）理（lǐ）输入序列。每个演讲者都从自己的RNN实例开（kāi）始，该实例不断（duàn）更（gèng）新给定新嵌入（rù）的（de）RNN状态，使系统（tǒng）能（néng）够学习发（fā）言者共（gòng）享的高级（jí）知识。

研究人（rén）员在论文中（zhōng）写道:“由于该系（xì）统的（de）所有组件都可（kě）以在监督环境（jìng）下学（xué）习，所以在有高质量时间标记演（yǎn）讲者标签训练数据（jù）的情况下，它比无监督系统更受（shòu）青睐（lài）。我们的系统受到全（quán）面监督，能够从带有时间戳的演讲者标签例（lì）子中学（xué）习。”

在未来的工作中，研究团队计划改进模（mó）型，使其能够集成上下（xià）文信（xìn）息来执行脱机解码，他们希望这将进一步减少DER。研究人员还希望（wàng）能够直接对（duì）声学特征（zhēng）进行建模，这样整个Speakerdiarization系统就可以进行端到端训练。