据VentureBeat报道，在语（yǔ）音嘈杂的环境中，要（yào）想分辨出有几个人（rén）讲（jiǎng）话（huà）、在什么时间（jiān）讲（jiǎng）话，对于机（jī）器来说非常困难。但谷歌人（rén）工智能(AI)研究部门在语（yǔ）音识别方面取得了新进展（zhǎn），能以92%的准确率识别出每个人声（shēng）音的专属（shǔ）模式。

谷歌AI研究部（bù）门在最新名为《FullySupervisedSpeakerDiarization》的论文和相（xiàng）关博客文章中（zhōng），研究人员描述了一种（zhǒng）新的AI系统，它“能以（yǐ）一种更有效的方式识别声音”。

这套系统（tǒng）涉及到Speakerdiarization任（rèn）务，即需（xū）要标注出“谁（shuí）”从“什么时候”到“什么时候”在说话，将语音样（yàng）本分割（gē）成独特（tè）的、同构片段（duàn）的过程。强大（dà）的AI系统必须能够将（jiāng）新的（de）演讲（jiǎng）者（zhě）发音与它以前从未遇到过的语音片段（duàn）关联起来。

这篇论文的作（zuò）者声称，核心算（suàn）法已经可在（zài）Github上的开源软（ruǎn）件中可用，它实（shí）现了一个在（zài）线（xiàn）二值化（huà）错误率(DER)，在NISTSRE2000CALLHOME基准上（shàng）是7.6%，这（zhè）对于实时应（yīng）用来说（shuō）已经足（zú）够低（dī）了，而谷歌（gē）之前使用的方法DER为8.8%。

谷歌研究人员的新方（fāng）法是通（tōng）过递（dì）归神经网（wǎng）络(RNN)模拟（nǐ）演讲者的嵌（qiàn）入(如词汇和短语的数（shù）学表示)，递归神经网络是（shì）一种（zhǒng）机器学习（xí）模型（xíng），它可以利用内部（bù）状态来处理输（shū）入序（xù）列（liè）。每个演讲者都从自己的（de）RNN实例开（kāi）始，该实例不断更新给定新嵌入的（de）RNN状态，使系统能够学习发（fā）言者共享（xiǎng）的高级知识。

研究人员在论文中写道:“由于该系统的（de）所有组（zǔ）件都可（kě）以在监督环境下学习（xí），所以在（zài）有（yǒu）高质量时间标（biāo）记演讲者标签训练（liàn）数据的情况下，它比无监督系（xì）统更受青睐（lài）。我们的（de）系（xì）统受到全面监督，能够从带有时间戳的演讲者标签例子中学习。”

在未来的工（gōng）作中（zhōng），研究（jiū）团队计（jì）划（huá）改进模型，使其能够（gòu）集成上下文（wén）信息来（lái）执行脱（tuō）机解码，他（tā）们希望（wàng）这将进一步减少DER。研究人员还希望能够直接对声（shēng）学特征进行（háng）建模，这样整（zhěng）个（gè）Speakerdiarization系统就（jiù）可以进行端到端训练。