据VentureBeat报道，在语（yǔ）音（yīn）嘈杂（zá）的环（huán）境中，要想分辨（biàn）出（chū）有几（jǐ）个人讲话（huà）、在（zài）什么时间（jiān）讲话，对于机器来说（shuō）非常（cháng）困难（nán）。但谷（gǔ）歌人工智能(AI)研究部（bù）门在语音识（shí）别方面取得了新进展，能以92%的准确率识别（bié）出每个（gè）人声音的（de）专（zhuān）属模式。

谷歌AI研究（jiū）部门（mén）在（zài）最新名为（wéi）《FullySupervisedSpeakerDiarization》的（de）论文和相关博客文（wén）章中，研（yán）究（jiū）人（rén）员描述了一种新的AI系统，它“能以一种更有效（xiào）的（de）方式识别声（shēng）音”。

这套系统（tǒng）涉及到Speakerdiarization任务，即需要标注出“谁”从（cóng）“什么时候”到“什么时（shí）候”在说（shuō）话，将语音样本分（fèn）割成独特的、同构片段（duàn）的（de）过程。强（qiáng）大的AI系统必须能够将新的（de）演讲（jiǎng）者发音与（yǔ）它以前从未遇到（dào）过的语音片段关联（lián）起来。

这（zhè）篇论文的作者声称，核心算（suàn）法已经可在（zài）Github上的开源（yuán）软件（jiàn）中可用，它（tā）实现了一个在线二值化错（cuò）误率（lǜ）(DER)，在NISTSRE2000CALLHOME基准上是7.6%，这对（duì）于实时应用来说（shuō）已经足够低（dī）了，而谷歌之前使（shǐ）用的（de）方（fāng）法DER为8.8%。

谷歌研（yán）究人员的（de）新方法（fǎ）是通过递归神经网络(RNN)模拟演讲者（zhě）的（de）嵌入(如（rú）词汇和短语的（de）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（bù）状态来（lái）处理（lǐ）输入序列。每（měi）个演讲者都从自（zì）己的（de）RNN实（shí）例开始（shǐ），该实例不（bú）断更（gèng）新给定新嵌入的RNN状态，使（shǐ）系（xì）统能够学（xué）习发言者共（gòng）享的高级知识。

研（yán）究人员在论文中写道（dào）:“由于该系统的所有组件都可以在（zài）监督环境下学习（xí），所以在有高质量时间（jiān）标记（jì）演讲者标签（qiān）训练数据的情（qíng）况下，它比无（wú）监（jiān）督系统更受青睐。我们的系统受到全面监督，能够从带有时间戳的演讲者标签（qiān）例子（zǐ）中学习。”

在未来的工作（zuò）中，研究团（tuán）队（duì）计划改进模型，使其能够集成上下（xià）文信息（xī）来执行脱机解（jiě）码，他们希（xī）望（wàng）这将进一步减少DER。研究人员还希（xī）望能够直接对声学特征进行建模，这样整个Speakerdiarization系统就（jiù）可以进行端（duān）到端训练。