現在，只要使用一臺普通的安卓手機，有聽力障礙的人們就可以和他人進行直接無障礙的對話了、和谷歌的大多數產品一樣，這種工具支援多種語言（包括中文）。
谷歌Live Transcribe的語音轉錄效果
近日，在一個媒體溝通活動中，谷歌向我們展示了這一最新產品，並介紹了它的開發歷程。
據世界衛生組織 (WHO) 估計，全球目前已有 4.66 億耳聾及聽障人士；而到2055年，這一數字將高達9億。“在65到74歲的人群中，約有三分之一的人報告自己有聽力障礙，”GoogleAI產品經理Sagar Savla在活動中介紹道。“我在印度居住的祖父母就有聽力障礙。而這些老年人習慣了正常形式的交流，當出現了聽覺障礙後生活就會很不方便。”
自動語音識別（ASR）技術能夠讓計算機檢測到人類對話的語言，並將其轉錄為文字以供閱讀。此前，這種方法已經可以為視訊自動新增字幕，並可以為電話提供語音轉錄的文字顯示。然而在很多場景下，這種技術還無法部署，它面臨著延遲大、裝置要求過高等問題。
谷歌一直在試圖解決這些挑戰。據介紹，Live Transcribe團隊成立於去年，其提出的人工智慧語音識別技術目前適用於一對一對話形式，並主要依託雲端計算處理資訊。Live Transcribe所搭載的平臺是全球分佈範圍最廣的安卓系統——現在全世界已有超過20億檯安卓裝置。
Live Transcribe在轉錄語音時可以很好地結合上下文，減少識別錯誤。為了讓最終產品更加易於使用，開發者們與Gallaudet大學進行了使用者體驗的研究，並找到了語音轉錄效率最高的顯示方式。目前，它在對話時語音轉錄的反應延遲低於200毫秒。
軟體可以顯示語音轉錄文字的置信度（上圖左），但谷歌的研究人員發現這種方式可能降低人們的閱讀效率 Live Transcribe採用了兩種神經網路：手機上的網路被用於分類聲音，如狗叫和小孩的哭聲；分類後的人聲資訊則交於雲端基於RNN的神經網路進行語音識別，其可以在7個字之間上下文範圍內進行糾錯。
為了提高效率，谷歌在先前AudioSet的工作基礎上，實現了基於神經網路的裝置端語音檢測器。該網路是一種影象式模型，類似於此前釋出的VGGish模型，它可以檢測語音並自動管理與雲ASR引擎的網路連線，將長時間使用過程中的資料流量消耗降至最低。
“谷歌伺服器雲端處理的方式可以讓Live Transcribe覆蓋更多人群，並適配更低配置的手機。”Sagar Savla表示，“目前，這一工具可以安裝在全球20多種安卓裝置上。”
這一工具已支援70種語言，其中包括英語、漢語、西班牙語等主要語言，這意味著它可以覆蓋80%以上的全球人口。對於雙語家庭而言，Live Transcribe也可以通過快速切換功能處理兩種語言。
為了讓更多人能夠獲得Live Transcribe帶來的便利，谷歌的開發人員儘可能地減少這種系統的需求。據介紹，其手機端模型大小僅為4m，以便讓四五年前買到的智慧手機也可以安裝。“在設計這個產品之初，我們發現大多數聽障人群的裝置配置並不高。”Savla介紹道，“但只要有網路，我們的工具就可以工作。”
選擇手機作為載體，Live Transcribe也面臨著缺乏麥克風陣列的問題。語音識別的一大挑戰就是“雞尾酒會問題”——在背景噪音、多人聲存在的情況下，人工智慧演算法往往無法分辨出目標人的語音。為了解決這一問題，谷歌團隊採用了最簡單的方法：設計一個兩個同心圓形的提示器，若現場噪音過大，則提示“聽者”前往一個更安靜的地點繼續對話。
Sagar SavlaLive Transcribe專案在谷歌不僅建立起了一個開發團隊，也吸引了重量級技術人員的參與——Dimitri Kanevsky也參與了這個研究，他是一個俄裔著名學者，也是一個天生的聾人，早在1998年Dimitri就在開發了第一個遠端轉錄系統，並曾獲得美國的很多國家級榮譽。“大腕級的人物加盟推動了新工具的發展。”Sagar Savla表示。
Live Transcribe只是一個開始。目前，這一工具已在谷歌Pixel 3手機上的GBoard上開始了應用。在未來，谷歌還希望能把這一技術推向更多種類的手機，並增強系統的抗噪音能力。