近期，來自于約翰霍普金斯大學（John Hopkins University）和亞馬遜（Amazon）的研究人員們發(fā)布了一篇論文，介紹他們是如何通過訓練一個深度學習系統(tǒng)來幫助亞馬遜Alexa語音助手識別并忽略那些并非是對她說的話，從而將其語義識別模型的識別準確度提高了15%。

研究人員在他們的論文中指出，“諸如Amazon Echo和Google Home的這類家用聲控設備都面臨著一個問題，那就是當周圍存在干擾聲源的時候，設備如何能夠照常地識別指令。”

為了讓Alexa更好地識別指令，研究人員訓練了一個神經(jīng)網(wǎng)絡，來匹配和識別“喚醒詞”（通常是“Alexa”）以及緊隨其后的指令，并忽略那些來自于其他人或媒體設備的干擾。

研究人員介紹說：“這項任務的挑戰(zhàn)在于需要從含有特定詞匯的話語片段中學習使用者的語言習慣。借助于兩種不同的神經(jīng)網(wǎng)絡架構，我們最終實現(xiàn)了這一目標。兩個神經(jīng)網(wǎng)絡架構都是具有注意機制的序列到序列編碼器 - 解碼器網(wǎng)絡的變體。”

借助于NVIDIA V100 GPU和OpenSeq2Seq工具，用于序列到序列模型的分布式和混合精度訓練，使用TensorFlow建立，團隊用1,200小時來自于Amazon Echo的實時英文數(shù)據(jù)訓練他們的算法。

通過改進所開發(fā)的基線網(wǎng)絡，該團隊還添加了一個額外的輸入端，能夠通過優(yōu)先處理類似于錨字的語音來增強注意機制。研究人員總結說： “在訓練期間，注意機制會自動學習喚醒詞的哪些聲學特征，以便在隨后的演講中尋找。”

該團隊還開發(fā)了一個mask-based模型，該模型能夠更加明確地將輸入語音與錨字的聲學輪廓相匹配。

最后的測試結果顯示：第一種方法的性能更好，達到了15%的改進；第二種模型也達到了13%的改進。

根據(jù)研究人員介紹，該算法在訓練和推理過程中都采用了NVIDIA GPU。