亚马逊Alexa真的解决了“鸡尾酒派对”难题吗？

（原标题：亚马逊Alexa真的解决了“鸡尾酒派对”难题吗？）

导语：什么是“鸡尾酒会派对难题”？难道Alexa已经解决了这个长达半个多世纪的“难题”吗？

雷锋网按：本文作者王璐、袁媛，原载于声学在线，雷锋网(公众号：雷锋网)已获得转载授权。

在美国加州圣克拉拉市召开的AI Frontier大会上，亚马逊首席科学家Nikko Strom详细介绍了Alexa背后的深度学习技术，包括深度学习的基本架构，以及语音识别、语音合成等方面的内容，其中，语音识别部分提到了Alexa在应对“鸡尾酒派对难题”所做的工作。那么，什么是“鸡尾酒会派对难题”？难道Alexa已经解决了这个长达半个多世纪的“难题”吗？

鸡尾酒会派对难题

“鸡尾酒会派对难题”其实就是大名鼎鼎的“鸡尾酒会效应”。

鸡尾酒会效应（cocktail party effect）由英国认知科学家Edward Colin Cherry于1953年提出，指的是指人类的一种听力选择能力。在这种情况下，人可以把注意力集中在某一个声音刺激上，而忽略其他的背景声音。也就是说，人类可以集中在某一个人的谈话之中，而忽略背景中其他的对话或噪音。

这个维基百科的解释让我们听的有些云里雾里，其实，我们在现实生活中的许多经历很好的诠释了什么是鸡尾酒会效应。

喧嚣热闹的酒吧舞池里灯光耀眼，音乐劲爆，你和朋友在一旁的吧台聊天，尽管周边的噪音很大，你还是可以听到朋友说的内容。此时，如果远处突然有人叫起你的名字时，你会马上就会注意到。

异国他乡的小餐馆中，周围交谈的食客使用的是各自的母语，西语、法语、葡萄牙语不绝于耳。觥筹交错间远处突然传来一声中文的“嘿！你在这呢？好久不见”，你立刻就能循着声音，定位那个说中文的人。即使你们中间隔着十几张桌子，即使那位朋友的声音并不洪亮。

这些现象我们都称之为“鸡尾酒效应”。这是我们人类听觉系统表现出的惊人天赋。科学家发现，婴儿已经具备选择性注意的能力。五个月大的婴儿就能够在复杂的声音环境中对自己的名字做出反应，这种能力在十三个月大的时候发展成熟。

鸡尾酒会效应的产生机制相当复杂，关于选择性注意和鸡尾酒会效应的成因，学术界提出过四个有影响力的理论模型：Broadbent的过滤器模型、Treisman的衰减模型、Deutsch & Deutsch理论和Kahneman理论。然而，这四种理论模型都不能完美地解释“鸡尾酒会效应”出现的各种现象。所以，目前对于鸡尾酒会效应产生的机制仍然尚没有统一的认识，也就是说还没有统一的理论解释和支撑我们如何解决鸡尾酒问题。

鸡尾酒会效应的产生机制虽然复杂，但对于我们人类来说，在多个声源之间转换注意力是一件非常轻松的事，以至于我们甚至感受不到这个过程的存在。然而，对于我们制造出各种智能设备来说，做到这一点就是非常有难度的。

在实际应用中，当我们对智能设备发出命令时，我们可以通过麦克风阵列确定声源位置，并通过波束形成定向拾取该方向的声音。然而，这同一方向可能不仅有噪音的干扰，还有电视或其他人同时说话的声音。设备需要在相互混杂的声音中准确提取出对它发出指令的声音，而不受其他声音的影响。

对于我们制造出各种智能设备来说，它们还无法像人类那样做到自由地切换注意力。机器目前还不能自主区分一个方向内众多人声中，到底哪一个是对它有用的声音。

Alexa如何应对“鸡尾酒会问题”？

自Cherry提出“鸡尾酒会问题”半个多世纪以来，大量的科学家试图去解决这个问题，包括自动语音识别（ASR）的预处理，说话人识别，说话人变化检测，说话人分离，结束指向和手动转录等。1985年，有学者提出了盲信号分离（blindsignal separation），在不知道原始信号的信息和混合方法时，可以比较有效地恢复独立的原始信号。后辈学者通过不断改进，引入了神经网络的方法，正在逐步提高信号分离的效果。

而此次AI Frontier大会上，Nikko博士介绍亚马逊使用的方法则是基于上下文联系的“Anchored Speech Detection”。这篇发表于2016年的论文中提到了两种检测目标语音的方法，首先需要用户先说出一个“anchor word”，例如唤醒词“Alexa”，作为我们学习说话者语音特征的参考。

第一种方法中，估计“anchor word”字段的平均值来标准化特征向量，从中突出低频部分相对于“anchor word”的差异。

另一种方法则是使用编码器-解码器网络，通过应用常规对数幅度因果平均值减法来归一化该网络的特征。

这两种方法实验结果表明：在具有常规归一化特征的基线前馈网络中，可以实现分类误差率大约10％的相对降低。

总的来看，Amazon开始尝试解决“鸡尾酒会问题”。然而，虽然Amzon不断更新其麦克风阵列算法，并在深度学习方面进行大量调整，但是Alexa目前还是无法做到在同一个方向多人说话的情况下，准确的判断识别到底是谁在说话。特别是对于Alexa采用基于能量搜索唤醒的算法模式，非常容易受到周围环境的干扰，导致噪杂环境下的唤醒失败。

虽然到目前为止，“鸡尾酒会问题”还没有得到满意的解答。但是随着新器件和新技术的应用，以及越多越多的学者参与研究，相信“鸡尾酒会问题”得到解决，不会等待太久时间。