据（jù）VentureBeat报道，在语（yǔ）音嘈杂的环境中，要想分辨出（chū）有几（jǐ）个人讲话、在什（shí）么时间讲话，对于（yú）机（jī）器来说（shuō）非常困（kùn）难。但谷歌人（rén）工智能(AI)研究（jiū）部门在（zài）语音识别方面（miàn）取（qǔ）得了新进展，能以92%的准确率（lǜ）识别出每个人声音的专（zhuān）属模式。

谷歌AI研究部门（mén）在最新名为《FullySupervisedSpeakerDiarization》的（de）论文和相关（guān）博客文（wén）章（zhāng）中，研（yán）究人员描述了一种新的AI系统，它“能（néng）以（yǐ）一种更有效的方式识别声（shēng）音”。

这套系统（tǒng）涉及到Speakerdiarization任（rèn）务，即（jí）需（xū）要标注出（chū）“谁（shuí）”从“什（shí）么时候”到“什么时候”在说话（huà），将语音样本分割（gē）成（chéng）独特的、同构片段的（de）过程。强（qiáng）大（dà）的AI系统必须能够（gòu）将新的演讲者发音与它（tā）以（yǐ）前从（cóng）未遇（yù）到（dào）过（guò）的（de）语音片（piàn）段关（guān）联起来。

这篇（piān）论文（wén）的作（zuò）者声称，核（hé）心算法已经可在（zài）Github上的开源软件中（zhōng）可用，它实现了一个在线二值化错误率(DER)，在NISTSRE2000CALLHOME基准上是7.6%，这对于实时应用来（lái）说已经足够低了，而谷歌之前使用（yòng）的方法DER为8.8%。

谷歌研究人（rén）员的新方（fāng）法是通过递归神经（jīng）网（wǎng）络（luò）(RNN)模拟演讲者的（de）嵌（qiàn）入(如词汇和短语的数学表示)，递（dì）归（guī）神经（jīng）网络（luò）是一种机器学习模型，它可以利（lì）用内部状态来处理输入序列。每个演（yǎn）讲者都从自己的RNN实例开始，该实（shí）例不断（duàn）更新给定（dìng）新嵌入的RNN状态，使（shǐ）系（xì）统能够学习发言者共享的高级知识。

研究人员在（zài）论（lùn）文中写（xiě）道:“由于该系统的所有（yǒu）组件都可（kě）以在监督环境下学习，所以在（zài）有（yǒu）高质量时间标（biāo）记演讲者（zhě）标签训练数据的情况下，它比无监督系统更（gèng）受青睐（lài）。我们的系统受到全面监督，能够从带（dài）有时间戳的演讲者标签例（lì）子中学习。”

在未来的工作（zuò）中（zhōng），研究团队计（jì）划（huá）改（gǎi）进模（mó）型，使（shǐ）其能够集成上下文信息来（lái）执行脱（tuō）机（jī）解码，他们希望这将进（jìn）一步减少（shǎo）DER。研究人员还希望能够直（zhí）接对声学（xué）特征进行建模，这样整个Speakerdiarization系统就（jiù）可以进行端到端训练。