人类具有一种能力，在背景杂音中，精准定位与自己对话的对象。谷歌公司的专家们利用深度学习结合脸部辨识，实现了此类效果。
简单来说，研究学者先用「干净」的人声与对应的视觉影像混合成一个假想的吵闹场景，然后训练机器去辨识如何从场景中还原出单一的人声来，最后产生一个模型。以这个脸部与声线对应的模型为基础，当侦测到目标嘴巴在动，系统就会试图抓取音频，将相关的部份分离出来。
如同上面的脱口秀视频所示，这效果惊人地好，不仅可以把背景的杂音滤掉，就算有两个人同时在大声说话，也可以把目标分离出来。而且，即使讲者用麦克风挡住了嘴巴，似乎也不影响辨识呢。
也许以后在公共场所聊天都得带口罩变声才安全。
分享到:
閱讀更多 ZZJ科技生活 的文章
