AI與RTC中結(jié)合點(diǎn)有那四大技術(shù)應(yīng)用方向的詳細(xì)資料說明

大到無人駕駛、智能物流，小到人們出國旅游手上拿著的翻譯機(jī)，AI 早已從曾經(jīng)的天馬行空變得觸手可及。AI 也成了很多公司未來的核心戰(zhàn)略，并應(yīng)用到了產(chǎn)品中。其實(shí)，在 RTC 領(lǐng)域亦是如此。

提到 RTC 中的 AI，你可能還會記得今年 RTC 領(lǐng)域中的熱門話題超分辨率。前幾天，據(jù)說某款手機(jī)已經(jīng)將其應(yīng)用于調(diào)節(jié)照片遠(yuǎn)景放大后的清晰度上。我們也曾有不止一位演講人，曾在 RTC 2018 中分享過將超分辨率應(yīng)用于實(shí)時音視頻中的研究。不過，超分辨率只是 AI 在 RTC 中的一個應(yīng)用而已。

概括來講，目前 AI 與 RTC 的結(jié)合點(diǎn)有四個：

語音分析：使用機(jī)器學(xué)習(xí)分析，將實(shí)時音視頻中的語音轉(zhuǎn)錄為文本、字幕。

語音機(jī)器人：在對話框中與用戶交互的語音機(jī)器人，輸入與輸出皆通過語音，比如Siri、Alexa、Cortana等。

計算機(jī)視覺：處理視頻，分析和理解視頻中的內(nèi)容。

RTC 優(yōu)化：用于提高服務(wù)質(zhì)量或性能的機(jī)器學(xué)習(xí)算法模型。

1

語音分析（Speech Analytics）

如果你對今年 Google I/O 有印象，你可能還會記得官方曾經(jīng)做過一段演示，YouTube 可以根據(jù)視頻的圖像和聲音，將視頻內(nèi)容翻譯并以字幕形式顯示出來。而且，Google 在語音識別、分析方面做了優(yōu)化，即使視頻中口音模糊，也能根據(jù)視頻內(nèi)容進(jìn)行智能翻譯，最終顯示為字幕。應(yīng)用于其中的一個重要技術(shù)方向就是語音分析。

在 RTC 中，語音分析主要的應(yīng)用形式包括電話中心智能語音交互、語音轉(zhuǎn)文本、翻譯等等。語音分析是一個相對成熟的技術(shù)應(yīng)用方向，也是一個多學(xué)科應(yīng)用于實(shí)際的范例。它涉及了信號處理、模式識別、概率論和信息論、發(fā)聲機(jī)理和聽覺機(jī)理、深度學(xué)習(xí)等。就像 Google 所做的，我們可以將它應(yīng)用于自己的視頻會議、視頻通話、直播連麥等一系列實(shí)時音視頻場景中。如果想快速實(shí)現(xiàn)，市場上有很多 API 可以幫助到你；如果你的團(tuán)隊技術(shù)實(shí)力雄厚，那么也有幾個比較著名，也比較老的開源工具可以使用。

業(yè)界有不少公司都能提供語音分析功能，例如國內(nèi)的訊飛、百度、搜狗等，再例如 Google Speech API 和 Facebook 推出的 wav2letter 等。Agora 開發(fā)者也完全可以基于 SDK 的接口與這些語音識別、分析服務(wù)結(jié)合，實(shí)現(xiàn)創(chuàng)新場景。

如果自研，那么也有不少可以參考的算法模型。例如這4個“歷史悠久”的語音識別相關(guān)的開源項目與非開源項目：HTK、CMU Sphinx、Julius、Kaldi。我們逐一簡單介紹下。

1. HTK

首先 HTK 并不是開源項目，它是由劍橋大學(xué)工程學(xué)院（Cambridge University Engineering Department ，CUED）的機(jī)器智能實(shí)驗室于1989年開發(fā)的，用于構(gòu)建CUED的大詞匯量的語音識別系統(tǒng)。HTK 主要包括語音特征提取和分析工具、模型訓(xùn)練工具、語音識別工具。1999年 HTK 被微軟收購。2015年 HTK 發(fā)布了3.5 Beta 版本，也是目前最新的版本。

2. CMU-Sphinx

CMU-Sphinx 是卡內(nèi)基-梅隆大學(xué)（CarnegieMellon University，CMU）開發(fā)的一款開源的語音識別系統(tǒng)。它包括了一系列語音識別器和聲學(xué)模型訓(xùn)練工具，被稱為第一個高性能的連續(xù)語音識別系統(tǒng)。Sphinx 的發(fā)展也很快，Sphinx4 已經(jīng)用 Java 改寫，所以適合嵌入到Android平臺。

3. Julius

Julius 是日本京都大學(xué)和 Information-technology Promotion Agency 聯(lián)合開發(fā)的一個實(shí)用高效雙通道的大詞匯連續(xù)語音識別引擎。Julius 通過結(jié)合語言模型和聲學(xué)模型，可以很方便地建立一個語音識別系統(tǒng)。Julius 支持的語言模型包括：N-gram模型，以規(guī)則為基礎(chǔ)的語法和針對孤立詞識別的簡單單詞列表。它支持的聲學(xué)模型必須是以分詞為單位，且由HMM定義的。HMM 作為語音信號的一種統(tǒng)計模型，是語音識別技術(shù)的主流建模方法，正在語音處理各個領(lǐng)域中獲得廣泛的應(yīng)用。Julius 由 C 語言開發(fā)，遵循GPL開源協(xié)議，能夠運(yùn)行在 Linux、Windows、Mac：OS X、Solaris 以及其他Unix平臺。Julius 最新的版本采用模塊化的設(shè)計思想，使得各功能模塊可以通過參數(shù)配置。

4. Kaldi

Kaldi 是2009年由 JohnsHopkins University 開發(fā)的，剛開始項目代碼是基于HTK進(jìn)行的開發(fā)，現(xiàn)在是 C++ 作為主要語言。Kaldi的維護(hù)和更新非常及時，幾乎每一、兩天就有新的 commits，而且在跟進(jìn)學(xué)術(shù)研究的新算法方面也更加快速。國內(nèi)外很多公司和研究機(jī)構(gòu)也都在用 Kaldi。

上述幾種語音識別開源代碼是基礎(chǔ)的開源版本，基于這些版本誕生了不少衍生的版本，比如 Platypus、FreeSpeech、Vedics、NatI、Simon、Xvoice、Zanzibar、OpenIVR、Dragon Naturally Speaking等。

2

語音機(jī)器人

現(xiàn)在很多呼叫中心都引入了 IVR（互動式語音應(yīng)答），顧客可在任何時間打電話獲取他們希望得到的信息，當(dāng)遇到無法解決的問題時才轉(zhuǎn)入人工坐席。它可以提高服務(wù)質(zhì)量、節(jié)省費(fèi)用。

但它自身也存在著問題。你可能也遇到過，有時候打給一個客戶中心，語音提供了多個選項讓你選擇，可當(dāng)你聽到第五個之后，就忘了之前的選項都有什么，以至于還要再聽一遍。所以很多呼叫中心會把菜單設(shè)計成更少選項更多層級。但這會讓用戶的交互過程變得更長。

所以語音機(jī)器人開始成為呼叫中心的新選擇（也可能有人管它叫智能客服或其它名字）。用戶只需要說出想要什么，它就能根據(jù)關(guān)鍵信息篩選出用戶想要的信息，就好像電話那頭多了一個 Siri。

當(dāng)然，Siri 也是是除了呼叫中心以外，語音機(jī)器人的另一種應(yīng)用形式。目前已經(jīng)有很多公司都推出了相應(yīng)的產(chǎn)品或接口（如上圖所示）。不過，要建立一個能與人自然交流的語音機(jī)器人，從架構(gòu)、音頻處理到算法模型的訓(xùn)練等，需要面對很多問題：

處理噪音

處理方言和自定義詞匯表

語音驗證

處理延遲

使用 SSML 進(jìn)行更自然的語音合成

模型訓(xùn)練

3

計算機(jī)視覺

現(xiàn)在計算機(jī)視覺的應(yīng)用應(yīng)該已經(jīng)很常見了，例如：

面部識別

物體檢測

手勢識別

情感分析

我們曾在年初的時候分享過兩篇文章，講述了如何結(jié)合 WebRTC 與 TensorFlow 實(shí)現(xiàn)物體識別，這是一位開發(fā)者的實(shí)驗。大體過程是，每秒將視頻圖像經(jīng)由 HTTP 傳輸?shù)椒?wù)器端，然后通過服務(wù)器端的機(jī)器學(xué)習(xí)算法模型處理后得出檢測結(jié)果，再反饋給本地，具體代碼可以看我們之前的文章。

不過這個實(shí)驗仍然存在很多的局限，如果圖像質(zhì)量過高，會需要更多傳輸、處理的時間，這會影響檢測的實(shí)時性。所以，后來有人提出了可以在本地進(jìn)行圖像識別。

上圖是一個基本架構(gòu)，如果你感興趣，也可以嘗試一下。它利用了 google 的 AIY 硬件工具來運(yùn)行 DNN。也就是說，當(dāng)你采集到視頻之后，可以在本地進(jìn)行處理，那么就無需擔(dān)心圖像識別的實(shí)時性問題了。

4

對 RTC 的優(yōu)化

利用 AI 可以在實(shí)時音視頻方面做很多事情，例如利用超分辨率來提升實(shí)時視頻中模糊圖像的細(xì)節(jié)，給用戶呈現(xiàn)更高清的視頻效果，提高視覺體驗；同時，由于網(wǎng)絡(luò)傳輸線路上有丟包，接收的數(shù)據(jù)有失真，所以 AI 也被用來做算法補(bǔ)償，提升傳輸質(zhì)量。

超分辨率是通過深度學(xué)習(xí)來提高其分辨率，進(jìn)而改善實(shí)時視頻圖像質(zhì)量的技術(shù)。為什么需要這項技術(shù)呢？因為盡管現(xiàn)在用戶都在高分辨率模式下獲取圖像，但在實(shí)時傳輸過程中，視頻編碼器可能會降低分辨率，以匹配可用帶寬和性能限制。由于這個處理機(jī)制，導(dǎo)致圖像質(zhì)量通常會低于實(shí)際拍攝的質(zhì)量。而超分辨率的目的就是將視頻質(zhì)量恢復(fù)到原始狀態(tài)。

超分辨率在整個實(shí)時音視頻傳輸過程中屬于后處理中的一步。視頻源經(jīng)過編碼在網(wǎng)絡(luò)上傳輸，解碼器收到后經(jīng)過解碼出來是一個相對模糊的圖像，經(jīng)過超分辨率處理把細(xì)節(jié)提升或者放大，再顯示出來。

現(xiàn)在很多的實(shí)時視頻場景都發(fā)生在移動設(shè)備上，所以對于一個深度學(xué)習(xí)算法模型來講，需要模型體量盡量要小，這就需要面對三個主要的挑戰(zhàn)：

模型能夠?qū)崟r運(yùn)行于移動設(shè)備上，且盡量降低功耗，避免引起發(fā)熱等問題。

模型小，但性能要好，可以得到足夠好的結(jié)果。

訓(xùn)練要能夠基于比較合理數(shù)量的數(shù)據(jù)集。

我司的首席科學(xué)家鐘聲曾在 上海的 DevFest 活動和美國的 Kranky Geek 上分享過相關(guān)話題的演講。如果你希望深入了解，可以查看我們過去的分享。

除了超分辨率，開發(fā)者們還可以利用無監(jiān)督學(xué)習(xí)來分析通過 WebRTC 的RTCStats接口收集到的數(shù)據(jù)，從而來確定影響通話質(zhì)量的原因。也可以用 TensorFlow 來分析并規(guī)范化 MOS 數(shù)據(jù)。

上圖所示是一個常規(guī)的降噪算法的處理邏輯，但在以后，，Mozilla 曾推出過一個 RNNoise Project，利用了深度學(xué)習(xí)，幫助 WebRTC 用戶，特別是在嘈雜環(huán)境中進(jìn)行多方通話的用戶實(shí)現(xiàn)更好的降噪效果。他們也在官方提供了一個 Sample，與 Speexdsp 的降噪效果進(jìn)行對比。在 Sample 中，他們模擬了人在馬路旁、咖啡館中、車上的通話效果，然后用不同的方式進(jìn)行降噪處理。你會明顯聽出，通過 RNNoise 降噪后，無人說話時幾乎聽不到噪聲，而在有人說話時，還是會有輕微的噪音摻雜進(jìn)來。如果你感興趣，可以去搜搜看，體驗一下。你可以在 xiph 的 Github 中找到它的代碼。盡管這只是一個研究項目，但提供了一種很好的改進(jìn)思路。

盡管舉了這么多的研究案例與開源項目，但 AI 在 RTC 行業(yè)的應(yīng)用還只是剛剛開始。