谷歌强大声音识别系统核心算法 UIS-RNN

• 授权协议: Apache
• 开发语言: Python
• 操作系统: 跨平台
• 软件首页: https://github.com/google/uis-rnn
• 软件文档: https://github.com/google/uis-rnn/blob/master/README.md
• 官方下载: https://github.com/google/uis-rnn

软件介绍

Google 人工智能研究部门在语音识别方面取得了新的进展，能从嘈杂的环境中分辨声音。这套强大的 AI 系统涉及到 Speaker diarization 任务，需要标注出“谁”从“什么时候”到“什么时候”在说话，将语音样本分割成独特的、同构片段的过程。还能将新的演讲者发音与它以前从未遇到过的语音片段关联起来。

其核心算法已经开源可用。它实现了一个在线二值化错误率(DER)，在 NIST SRE 2000 CALLHOME 基准上是 7.6%，这对于实时应用来说已经足够低了，而谷歌之前使用的方法 DER 为 8.8%。

UIS-RNN 是无界交错状态递归神经网络（Unbounded Interleaved-State Recurrent Neural Network）算法的库。 UIS-RNN 通过学习示例解决了分段和聚类顺序数据的问题。

由于对某些内部库的依赖性，这个开源实现与在论文中用于生成结果的内部实现略有不同。

谷歌研究人员的新方法是通过递归神经网络（RNN）模拟演讲者的嵌入(如词汇和短语的数学表示，递归神经网络是一种机器学习模型，它可以利用内部状态来处理输入序列。每个演讲者都从自己的 RNN 实例开始，该实例不断更新给定新嵌入的 RNN 状态，使系统能够学习发言者共享的高级知识。

本文地址：https://codercto.com/soft/d/16719.html