陈孝良：机器将听你所言，知你所想 | 未来简说

　　导语：2013 年上映的电影《她》，讲述了作家西奥多（华金·菲尼克斯饰）在结束了一段令他心碎的爱情长跑之后，爱上了人工智能操作系统里的女声——“萨曼莎”（斯嘉丽·约翰逊配音），她不仅有着一把略微沙哑的性感嗓音，并且风趣幽默、善解人意，让孤独的男主泥足深陷。虽然这只是电影情节，但是人类从未停止过对虚拟伴侣的追求。机器到底如何才能听懂人类的感情？让我们来听听声智科技创始人陈孝良是怎么说的。

　　<语音交互是在传递信息的基础上承载情感的交流>

　　当我来创客星球演讲的时候，内心仍然是感到有些抱歉的，因为我的演讲可能让大家感觉很累。首先，我的发音有鼻音和粘连，大家可能经常听不准我说的话；其次，我的演讲内容是声学和人工智能，这个主题虽然与我们的生活息息相关，但不如美食、购物、旅行等内容更有吸引力，所以大家听我的演讲就容易感觉晦涩。

　　听不准和听不懂这两个因素叠加，就容易造成大脑疲劳。

　　对于我们来说，语音交互实际上是在传递信息的基础上承载情感的交流。但是，往往因为语音问题而导致事与愿违，这种例子不胜枚举。当我们大脑疲劳超过一定时间就容易产生烦躁，当年我们上课总喜欢在课堂上打盹，因为很多老师上课有口音，我们听不清，可能本来也听不懂。既然人类之间的交互都是如此复杂，那么，机器又是怎样听到并理解人类世界的呢？

　　我们先了解下机器和人类的听力差异。有两段人声完全一致的声音素材，第 1 段没有任何背景音，我们听着很清晰，但若让机器“听”，识别率并不好。而第 2 段加了“噪音”的声音，我们人耳听起来不太舒服，在以深度学习为核心的近场语音识别中，识别率超过 90%。事实上，大于90%的识别率就意味着机器能听得准人类的声音了。也就意味着，第二种我们听着不那么清晰的声音，才是机器所需要的。

　　<当前技术还没能让机器听得准>

　　机器若想理解人类世界，听得准和听得懂都是必要的。但事实上，当前技术至今还没能让机器听得准。我们可能在很多新闻上都能看到机器语音识别超过人类的报道，但实际上这对人类是不公平的。人类的交互是自然的复杂场景下远场交互，但新闻报道的，却是理想实验环境下的近场测试集识别率。而机器和人类之间的交互，必然也是复杂环境下的远场交互，真实场景的变化带来的技术挑战远远超过了实验室的环境。

　　麦克风阵列技术，是当前解决远场语音交互的主要手段。其实就是利用多个麦克风来模拟人类耳朵，实现类似人耳的声源定向、噪声抑制、混响和回声抵消等功能，以便获得更好的语音识别率。这里有两组 4 段音频，第 1 段声音是日常场景下录制的人声，有空调噪声；第 2 段，是把第 1 段声音经过麦克风阵列处理后的效果，噪声已经得到抑制。第 3 段声音是复杂场景下录制的，包含了电视和人说话的声音；第 4 段声音是把第 3 段经过麦克风阵列处理后的效果，其中电视声音不能算作噪声，机器很难处理这类声音干扰，所以我们处理完后还有残留，但是已经不影响机器识别了。

　　<人工智能分为两个阶段感知阶段和认知阶段>

　　但是，麦克风阵列只能帮助机器解决听得准的问题，如何才能让机器听得懂？这是一件非常困难的事情，因为让机器听得懂人类的语言，不仅要解决人机信息传递的问题，还要解决人机情感传递的问题。一般来说，我们将人工智能划分为两大阶段，感知阶段和认知阶段，它们区别非常显著：感知阶段的机器说得自然、听得准确，而认知阶段的机器说得委婉、听得自然。简单举个例子，当一个女孩子对着机器或者魔镜说，我是不是很美丽？如果机器回答：姑娘，你的美丽度只有 50%，这就是感知阶段；如果机器回答：美女，你还缺只很棒的口红，这就是认知阶段。显然，让机器听得懂人类的语言应该是认知阶段才能解决的事情。如何解决这个问题，学术界也很迷茫，大数据和机器学习可能是一种有效的解决方法。

　　<机器迟早能听得懂人类的情感>

　　但可以预见的是，机器迟早能听懂人类的情感。我们要关注这个事情，因为这意味着未来求职方向的变化，有很多人会发现新的工作机会，自然也有很多人失去机会。我们已经推动人机语音交互前进了一大步，很快，机器甚至可以随意模仿我们人类的声音，类似美颜相机提升了虚拟世界的颜值，美声功能也可能改变虚拟世界的声音。这是一个很有意思的事情，当机器听懂了你的撒娇和愤怒，同样与你撒娇和愤怒，甚至不惜与你吵架的时候，我们人类又当如何应对呢？

　　我们人类通过语音交互构建圈子、满足生存、获取尊重，听懂情感的机器很可能也有这种需求。那么，到底是机器适应人类，还是人类适应机器？未来的人工智能时代，社交将是一个宽泛的概念，不仅仅是人类和人类之间的交互，还有机器和人类之间的交互，可能还有机器和机器之间的交互，这是一个更加复杂的世界。未来，无限想象，我们的使命是努力做到让机器听你所言，知你所想！

　　Q: 我们现在人人都能修饰图片，假如未来每个人把自己的声音也修饰了，这是不是一件很可怕的事？

　　A:这是肯定的，事实上这个功能我们已经实现了。现在很多导航软件里面，用了郭德纲或者林志玲的声音。我们如果能拿到大家的语料，就可以模仿任何人的声音。在未来这是比较可怕的一件事，首先在安全方面是很大的一个隐患。比如电话诈骗，很可能是模仿你身边很亲近人的声音。技术永远是双刃剑，它给我们带来便利的同时，同样会给我们带来很多的隐患。就像我们工业时代的交通工具，比如汽车、飞机、火车，它们大大改善了我们的生活，但同样也给我们带来了很多的事故。未来的人工智能，包括声学的发展，对于社会来说，也可能会是一种潜在的威胁。

　　假如未来你能像钢铁侠那样有一个属于自己的 Jarvis，你最希望它能替你干啥？

　　A.第一件就是为我写诗，为我写诗为我静止，为我做不可能的事……

　　B.想那些打死我都想不出来的创意文案

　　C.把我的三流水准小短片改成好莱坞大片效果

　　D. 帮我背单词，有问必答，让我过目不忘……

　　<想知道未来五年的生活看看他们怎么说>

　　特别感谢创业邦、猎云网、极客公园、品玩 、硅谷动力、风颂、中谷跨境服务中心 、将门、上海双创投资中心 、活动行《未来简说》的大力支持！