据VentureBeat报道，在语（yǔ）音嘈（cáo）杂的环境中，要想分辨出有几个（gè）人讲话、在什么时间讲（jiǎng）话，对于机器（qì）来说（shuō）非常困难。但谷歌人工智能(AI)研究部门在语音识别方面（miàn）取得了新进展，能以（yǐ）92%的准确率识别出每个人声音的专属（shǔ）模式（shì）。

谷歌AI研究部门在（zài）最新（xīn）名为《FullySupervisedSpeakerDiarization》的论（lùn）文和相（xiàng）关博（bó）客文章中，研究人（rén）员描（miáo）述了（le）一种新的AI系（xì）统，它“能以一种更有效的方式识别声音”。

这（zhè）套系统涉及（jí）到Speakerdiarization任务，即需要（yào）标注出（chū）“谁”从“什么时候”到“什么时（shí）候”在说话，将语音样本分割成独特（tè）的、同（tóng）构片段（duàn）的过（guò）程。强大的AI系统（tǒng）必须能够将新的演讲者发（fā）音与它（tā）以前从（cóng）未遇到过的语音（yīn）片段关联（lián）起来。

这篇论（lùn）文的作者声称，核心算法已（yǐ）经可在（zài）Github上的（de）开源软件中可（kě）用（yòng），它实现了（le）一个在线二值化（huà）错误（wù）率(DER)，在NISTSRE2000CALLHOME基准上是7.6%，这对于实时应用来说已经足（zú）够低了（le），而（ér）谷歌之前使用的（de）方法DER为8.8%。

谷（gǔ）歌研究人员的（de）新方法是通（tōng）过递归（guī）神经网络(RNN)模拟演讲者的嵌入(如词汇和短语的数（shù）学表（biǎo）示)，递归神经网络是（shì）一种机器（qì）学习模型，它（tā）可以利用（yòng）内部状态来处理（lǐ）输入序列。每个演讲者都从自己的RNN实例开始，该（gāi）实例不断更新给定新嵌入（rù）的RNN状（zhuàng）态，使系统能够学习发言（yán）者共享的（de）高级知识。

研究（jiū）人员在（zài）论文中写道:“由于该系统的（de）所有组件都可以（yǐ）在监督环境下学习，所以在（zài）有高（gāo）质量时间标记演讲者标签训练数（shù）据的情况下，它比无监督系统更受青睐（lài）。我（wǒ）们的系统受到全面监督，能够从带有时间戳的演讲者标签例子（zǐ）中学习。”

在未来的（de）工作中，研究团队计划改进模型，使其能够集成上（shàng）下（xià）文信息来执行脱机解码（mǎ），他们希望这将进一（yī）步减少（shǎo）DER。研（yán）究人员还希望能够直接（jiē）对声学特征进行建模，这样整个（gè）Speakerdiarization系（xì）统（tǒng）就可以进行端到端训练（liàn）。