人類具有一種能力，在背景雜音中，精準定位與自己對話的對象。谷歌公司的專家們利用深度學習結合臉部辨識，實現了此類效果。
簡單來說，研究學者先用「乾淨」的人聲與對應的視覺影像混合成一個假想的吵鬧場景，然後訓練機器去辨識如何從場景中還原出單一的人聲來，最後產生一個模型。以這個臉部與聲線對應的模型為基礎，當偵測到目標嘴巴在動，系統就會試圖抓取音頻，將相關的部份分離出來。
如同上面的脫口秀視頻所示，這效果驚人地好，不僅可以把背景的雜音濾掉，就算有兩個人同時在大聲說話，也可以把目標分離出來。而且，即使講者用麥克風擋住了嘴巴，似乎也不影響辨識呢。
也許以後在公共場所聊天都得帶口罩變聲才安全。
分享到:
閱讀更多 ZZJ科技生活 的文章
