谷歌AI探索無障礙溝通

Steve Saling 罹患肌萎縮性脊髓側(cè)索硬化癥（ALS）已有 13 年光景，這是一段人生大門逐漸關(guān)閉的過程。

ALS 俗稱漸凍癥，發(fā)病后肌肉僵硬，抽搐，造成說話或吞咽困難，再逐漸到手臂和腿部無力，最終失去自主控制運(yùn)動的能力。英國著名物理學(xué)家霍金即患此病。Steve Saling 與人交流，是通過眼球追蹤技術(shù)來控制計算機(jī)上的虛擬鍵盤打字，溝通十分低效。

圖 | 漸凍癥患者 Steve Saling

如今，在新技術(shù)的幫助下，他在觀看運(yùn)動賽事的精彩瞬間時，竟然可以發(fā)出歡呼。只不過，聲音是通過臉部表情控制機(jī)器發(fā)出的。通過加入谷歌的 Project Euphonia 項目，Steve Saling 可以自主訓(xùn)練機(jī)器學(xué)習(xí)模型，當(dāng)模型更了解他的面部表情，不出聲即可操作 Google Home。

圖 | Steve Saling 正在自主訓(xùn)練機(jī)器學(xué)習(xí)模型

在 2019 谷歌開發(fā)者大會上，失聰設(shè)計師 Elise Roy 與谷歌科學(xué)家、哈佛教授 Michael Brenner 共同宣布 Project Euphonia 項目。Michael Brenner 博士確信 AI 技術(shù)能解決 ALS 患者這一特定的語言障礙問題，但同時也需要大眾的協(xié)助，提供更多的聲音樣本供模型訓(xùn)練。

生活中的方方面面都涉及到與他人溝通，以及被他人理解。

想象一下，如果旁人難以理解我們的說話或表達(dá)方式時，生活會變成什么樣，是不是會感到不便和心情沮喪？

然而，對上千萬的中風(fēng)、ALS 、多發(fā)性硬化、創(chuàng)傷性腦損傷和帕金森氏癥等神經(jīng)系統(tǒng)疾病而產(chǎn)生語言障礙的人士來說，這就是他們每天都必須面對的情況。

造成語言障礙的成因有很多，有些是聽力受損，有的是腦部控制語言的神經(jīng)系統(tǒng)受到創(chuàng)傷，還有的是臉部肌肉不受控制，導(dǎo)致發(fā)音模糊，含糊不清。

非營利組織 ALS-TDI（美國 ALS 研究機(jī)構(gòu)）的臨床團(tuán)隊在過去幾年中發(fā)現(xiàn)，即使有嚴(yán)重發(fā)音障礙（語言障礙）的 ALS 患者，也可以被親密朋友和家人理解。這說明，只要有足夠多的聲音樣本，AI 可以學(xué)習(xí)如何解釋受損的聲音。

看到這一技術(shù)實現(xiàn)的可能性后，谷歌在 2019 開發(fā)者大會上推出 Project Euphonia，計劃用 AI 來了解語言障礙者的講話方式，例如含糊不清、不完整的講話，從而實現(xiàn)精準(zhǔn)的語音轉(zhuǎn)寫。

此項目的聲音樣本主要通過與 ALS-TDI（美國 ALS 研究機(jī)構(gòu)）與 ALS Residence Initiative（ALS 住宅計劃）合作獲得，錄下 ALS 患者的聲音，然后將錄下的語音轉(zhuǎn)成聲譜圖，或以更視覺化的圖像方式來呈現(xiàn)聲音。接著計算機(jī)用轉(zhuǎn)錄的聲譜圖拿來訓(xùn)練模型，以更準(zhǔn)確辨識這類非典型的語音。

目前設(shè)計的 AI 模型是以典型的 ALS 相關(guān)障礙的英語人士為目標(biāo)對象，相信不久后這項研究將可應(yīng)用到更大范圍的不同語言障礙人群。

谷歌語音研究員 Dimitri Kanevsky 是一名聽力障礙者，幼年失聰后才開始學(xué)的英文，他的主要語言障礙是發(fā)音不標(biāo)準(zhǔn)，吐字模糊。

谷歌的語音轉(zhuǎn)錄程序顯然無法對非標(biāo)準(zhǔn)發(fā)音的句子進(jìn)行高精確識別。于是 Kanevsky 研究員錄入了 15000 條自己的語音數(shù)據(jù)來對模型訓(xùn)練，起初效果并不明顯，但在他的堅持下模型終于有了不錯的表現(xiàn)，程序可以很準(zhǔn)確識別他的聲音，適應(yīng)了他講話的方式。

不同語言障礙的人群所需要的技術(shù)不同，技術(shù)實現(xiàn)的難度也不同，但最終實現(xiàn)的效果是一樣的，理解和被理解。這是人類溝通的快樂源泉。

目前谷歌的 Live Transcribe 轉(zhuǎn)錄技術(shù)也可以作為聽障人士的輔助交流工具。

圖 | Live Transcribe 轉(zhuǎn)錄過程

此次谷歌開發(fā)者大會上，谷歌也推出了 Live Relay 功能，可以讓設(shè)備在語音和文本之間進(jìn)行轉(zhuǎn)換，語音信息實時轉(zhuǎn)化成文本，并且以語音的形式轉(zhuǎn)換回來，可以幫助聽力障礙或失聰人士打電話。

Live Relay 是系統(tǒng)中原生功能，不需要聯(lián)網(wǎng)就可以在終端上運(yùn)行，因此能確保通話的隱私性。

雖然 Live Relay 還在早期研究階段，不過谷歌對 Live Relay 的長期發(fā)展十分樂觀，這項技術(shù)不光是給語言障礙人群提供方便，未來所有用戶都能因這項服務(wù)受益。比如，很多用戶都曾有需要接聽重要電話，但無法離開當(dāng)下手邊正在進(jìn)行的事項的經(jīng)歷，在 Live Relay 的幫助下，用戶不必實際與對方交談，也能隨時隨地通過輸入文本的方式接聽電話，甚至可集成即時翻譯功能，讓用戶能與世界各地的人通話，完全不必?fù)?dān)心語言隔閡。

谷歌 AI 在語音識別和轉(zhuǎn)錄技術(shù)上已達(dá)到非常領(lǐng)先的水準(zhǔn)，雖然在理解語言障礙者的發(fā)音和講話方式還在探索中，但這無疑是離終極目標(biāo)——無障礙溝通最近的一次。