学者欧宁提过一个观点：在一个视觉“极大丰饶”的时代，由声音构成的听觉江湖亟待被大众唤醒。

今天是第22个世界知识产权日，我们关注一群把智能语音技术革新变成一项专利的专业人士。他们是一群做语音识别的技术人，也是优化生活的“声音猎手”。

透过他们在大厂研究声音的故事，我们重新定义了“感官享受”——它从来不止是提升视觉、触觉、味觉的愉悦，在一个数字化浪潮席卷全球的移动互联时代，象征听觉的声音从未缺席，也不可能缺席。

文|白莉莉

一不留神，“声音猎手”在电影院走神了。

大荧幕里放的是科幻电影《地心引力》，影院里环绕的是人手抓栏杆的低频音、卫星碎片袭来的撞击声、千钧一发时的心跳和呼吸声，座位上闪现的是眯眼睛、咽口水、被剧情牵着走的紧张观众。

王珺眉头一皱，向自己抛出了一个疑问：这段低频音，它的声音对象（object）该怎么提啊？怎么环绕效果会更好？

图|电影《地心引力》

又一次地，她“犯了职业病”。

不仅在电影院，“声音猎手”有时会在驾驶室里陷入沉思。

有天下班后，陈杰捎同事回家，坐副驾驶的同事一上车就接了个电话，这让陈杰无法进行车内的“语音唤醒”——车里说话的人一多，车载语音识别就“懵圈”了。“一有干扰声，语音就无法识别，看来得想个招儿。”陈杰心想。

这一想，就想了十几分钟。

王珺和陈杰是腾讯AI Lab语音技术中心的员工，前者在深圳，后者在北京。他们的工作，是为设备提供在复杂语音环境下，从麦克风阵列采集声音，对声音信号增强处理后，以便更好地进行唤醒和识别。

用更通俗的话来说，就是在智能家居、车载语音交互、智能会议硬件，把噪声、杂声、干扰声分离，降低语音收集的错误率，在一个复杂、嘈杂、不确定的听觉环境里，让声音的传递变得更靠谱，更高效。

学者欧宁提过一个观点：在一个视觉“极大丰饶”的时代，由声音构成的听觉江湖亟待被大众唤醒。而声音被激活、唤醒的这个过程，离不开王珺和陈杰这样的“声音猎手”——“感官享受”四个字，从来不止是提升视觉、触觉、味觉的愉悦，在一个数字化浪潮席卷全球的移动互联时代，象征听觉的声音从未缺席，也不可能缺席。

或许出于职业习惯，声音猎手们偶尔会犯“职业病”，会“思考人声”，会在一起搭建场景订制的“最优模型”，会在一起调试声音素材的“最佳状态”。

他们是一群做语音识别的技术人，也是优化生活的“声音猎手”。他们负责捕捉声音，但其实更希望你“忘掉”声音。

01.

没有跑偏

王珺对声音最深的印象来自父亲。

记忆里“特牛的老爸”，利用业余时间倒腾出了一个自制的矿石收音机，“自己可以收声，小时候觉得他简直无所不能。”

高考时，她没报当时被捧为“21世纪的学科”的生物系，也没填自己最喜欢的物理专业，（“大学念物理系，既高深又害怕”），而是报了北大电子信息科学与技术专业——一个前身被称作“无线电”的专业。“我爸当时特开心，觉得我继承了他对声音的志趣。”王珺说。

图|王珺（左）和妹妹同时从中科院声学所毕业

自成年起，王珺就一直在和声音打交道。2004年，她从北京大学进入中科院，加入了中科院的声学所网络与新媒体技术研究中心，开始硕博连读。博士毕业，她的论文拿了“院长奖”，论文题目很长：“基于本体聚合多层描述符的音乐情感信息检索研究”。

事实上，“我的研究轨迹一直专注声音领域，从来没有跑偏过。”王珺说。当年北大的本科同学，有的半路去做金融，有的转型入局房地产，“只有我在技术的路上，一条道走到黑。”

在喧嚣时代背景下，踽踽独行的“声音猎手”略显孤独，但好在因专业技术设置的门槛，造就了一个小众的“声音猎手”群体。而这个群体的内部，也慢慢衍生出了一个个在语音智能化之路上“同频共振”的个体——王珺还记得，自己读博期间参加过谷歌举办的一个暑期开源项目，项目吸引了全世界的开发者，自己所在的小组和音乐、声音有关。后来加入杜比实验室时，她发现在巴塞罗那分部的小组成员，几乎都是当年通过暑期项目认识的小伙伴。

在声音猎手的世界里，会有很多灵光乍现时刻，有时，还会因为思考模式完全相同，彼此引为知己。王珺至今记得，有次被问到自己最爱的电影音效设计时，她和一位世界顶级的音频工程师同时说出《怒海争锋》这个电影名，“自己竟然和顶级艺术创作者的品味如此一致——那简直就是我的高光时刻。”

02.

鸡尾酒会效应：

一个理论，一道难题

不仅在电影领域，声音猎手关注的领域，遍及日常生活的每一细节。

中科院声学所硕士毕业后，陈杰从象牙塔走向声音江湖。和本文开头，王珺在电影院因为思考声音问题而“断片+出戏”类似，陈杰也习惯在普通生活场景里，寻找智能语音的优化方案。

前文提到在面对车载语音系统时陷入的沉思，只是他面对声音时“入戏太深”的常规操作之一，“经常遇到的一个问题是：我在家看电视，但同时又在跟一个音箱交互。智能音箱在播放音乐，电视里也有电视剧的声音。这时候如果要做声音采集的话，接受声音的设备也在播放声音，就会互相干扰，所以要做一个回声消除的操作——把自己刚才播放的声音消灭掉。”

不夸张地说，声音猎手们每天都在面对以上的复杂环境，以及藏在复杂环境中的各种声音。但其实距今70年以前的1953年，英国认知科学家科林·谢利（Colin Cherry）在研究选择注意机制时，就把人们在复杂听觉环境下的认知，总结成了一个理论——鸡尾酒会效应。

“鸡尾酒会效应”是指，在非常嘈杂或者多人同时说话的环境中，比如鸡尾酒会上，每个人都有一个特点，即能够把注意力集中在某一个人的声音上，屏蔽掉周围的说话声或者噪音，非常好地听懂所需关注之人的说话声音。

一个不可忽视的现实是：当你在户外、酒会等高噪声、嘈杂的环境中使用手机助手、智能客服等语音服务时，环境的噪声会对目标人物语音的收集带来极大干扰，你对语音收集反馈的错误率也会随之提升。

这也成了陈杰、王珺和他的同事们希望破解的一大难题。

03.

“让机器向人类学习”

“让机器向人类学习”。这是在面对鸡尾酒会效应时，AI Lab语音技术中心在语音分离增强方面采取的一个妙招。

按照一般的技术和逻辑，要通过音色信息对目标对象的语音分离增强出来，需要尽可能多，尽可能长地采集目标对象说的话，这种长语音样本，专业词叫做“适应语音”，然后通过对适应语音求均值，来获得声音鲁棒（指控制系统在一定的参数摄动下，维持其他某些性能的特性）、稳定的绝对表征。

王珺对这段抽象的文字进行了解释。绝对音感是指一种能在没有参照音的情况下，仍能辨认出由乐器或周围环境发出的任何音调的能力，“举个例子，周杰伦就有绝对音感，别人无意间碰到钢琴上的几个键，他一听就知道具体碰到了哪几个键。”

拿拥有绝对音感的群体做类比，“如果我们拿绝对的声音信息去做编码，就需要收集很长的参考信号，然后再做区分，并训练一个复杂的模型，这是一个高能耗、低能效的过程。”王珺说。

图|王珺在工作

这个灵感点醒了AI Lab团队。在团队看来，拥有相对音感的普罗大众，恰恰是系统和机器最需要学习的对象。

希望让机器向人类学习，这让团队开辟了另一个思路：研发一个用于提取目标说话人语音的深度提取网络方法。用团队总监苏丹的话说，“只要人说出一个唤醒词，就把这个唤醒词作为一个锚点，通过这个锚点来确定说话人的音色，后续设置成只听这种音色的模式，而其他干扰的噪音、杂音等，会离锚点越来越远。”

那么，向人类学习了的机器，需不需要根据环境的改变，而更改技术模型呢？AI Lab团队的回答是：完全没必要。

对此，王珺把这个逻辑解释为“追逐目标锚点”。“采集下锚点后，我们就盯着这个锚点不再放松，目标也不会转移，然后识别这个锚点的音色特点，这个过程，并不以干扰的场景为转移。所以这是一个提取（extraction）的过程，而不是一个分离（separation）的过程。”

最终，在一个原本需要至少10秒适应语音才能识别的场景，这些“声音猎手”只用了不到一秒的时间，就对嘈杂环境下的说话人进行了精准识别。

04.

“我们这行的化境，

就是让听者忘记声音”

AI Lab语音技术中心研发的这项技术，被评为2021年腾讯年度专利奖金奖，专利名称叫“混合语音识别方法、装置及计算机可读存储介质”。

评委会称赞“本发明在业内首次提出’锚定对象’的思路”，而出发点，则是为了自动语音识别系统像人一样，在鸡尾酒会这样嘈杂的环境中，能屏蔽周围的噪音和干扰，将注意力集中在某一目标说话人的声音上。

从数据来看，声音猎手们的这项专利，可以适应小于1秒钟的语音长度（原有技术要求适应语音长度大于10秒）；在与语音识别系统端到端联合使用时，字错误率相对下降了69%（行业原有顶尖水平为46%）。“这其实是一个拥抱海量数据的过程。在企业，你能直面用户痛点，知道哪些场景有改进的需求，面临的环境更复杂，当然成就感也更强。”苏丹说。

这是一个“服务于人”的过程，也是一次“科技向善”的努力。苏丹所说的“有改进需求的场景”，其实没有一个清晰的边界。

图|AI Lab语音技术中心团队

以AI Lab语音技术中心研发的这项专利为例，从手机助手、智能家居、车载交互等满足大众需求的应用，到智能客服、会议转写等智能化升级下的行业性需求，再到人机交互到远程会议语音降噪、口语翻译等人人交互场景需求，甚至还应用于某些特殊场景，比如无障碍人士的语音识别等。

王珺认为，把一项技术推向更广阔的生活舞台，“为的是找到更多同路人。”

她所说的同路人，不单单指声音猎手这个群体里的业内人士，还有那些因为鸡尾酒会效应引发的日常问题，而对声音充满兴趣的普通人。

对于声音猎手这个身份，她表示“充实并委屈着”，“我们这些搞声音技术的，一条路走到黑会有踏实感。与做视觉的比，通常我们没有多少秀场和机会，去展示自己的灵感和创造。有时候，也希望被看见，让人们看到声音背后的我们。”

她想了想，又说：“但如果你把声音技术做到顶级，达到化境，那也是件让人享受的事。”

图|生活中的王珺

那什么是化境？

“化境就是润物细无声，让观众、用户、普通人在沉浸式的体验里，忘记还有声音这回事，因为声音已经融入画面、场景里了。反过来说，如果人在体验一个产品时，总是不自觉地关注声音的好坏，总是有意无意地’出戏’，那这个声音就完蛋了。”王珺说。

“充实又委屈”的同时，她觉得声音猎手都是“矛盾并分裂”的，因为既想让大众了解自己所在群体的存在，又不想让大众“出戏”地关注、谈论声音技术，“讲真，这个真的好矛盾。”

-END-