文|馬驥

馬驥：極限元智能科技聯(lián)合創(chuàng)始人，曾先后就職于中科院軟件研究所、華為技術(shù)有限公司，獲得多項(xiàng)關(guān)于語(yǔ)音及音頻領(lǐng)域的專利，資深軟件開發(fā)工程師和網(wǎng)絡(luò)安全解決方案專家，擅長(zhǎng)從用戶角度分析需求，提供有效的技術(shù)解決方案，具有豐富的商業(yè)交流和項(xiàng)目管理經(jīng)驗(yàn)。

網(wǎng)絡(luò)直播行業(yè)經(jīng)歷了過(guò)去兩年的井噴式爆發(fā)后，到現(xiàn)在依舊保持著持續(xù)火熱的態(tài)勢(shì)。但這一市場(chǎng)火爆的背后也一直暴露了一些問(wèn)題，低俗內(nèi)容屢見(jiàn)不鮮。顯然，要解決這一問(wèn)題就必須要有比人工鑒黃效率更高的手段，用人工智能技術(shù)來(lái)鑒黃就是現(xiàn)在直播平臺(tái)通用的手段。

雖然不少企業(yè)都把目光聚焦在視頻鑒黃上，但音頻審核也是人工智能鑒黃技術(shù)的一部分，二者缺一不可。那在大家熟悉的視頻鑒黃之外，音頻檢測(cè)究竟能解決哪些問(wèn)題？這一技術(shù)是如何進(jìn)行鑒黃的呢？

一、音視頻審核的需求現(xiàn)狀

音視頻審核主要針對(duì)互聯(lián)網(wǎng)傳播的信息進(jìn)行審核，審核的內(nèi)容有有害信息（涉黃、涉暴）、敏感信息。

以直播平臺(tái)為例，2016年，是互聯(lián)網(wǎng)直播平臺(tái)爆發(fā)的一年，除了各式各樣的直播形式。與此同時(shí)，也出現(xiàn)了大量的在線實(shí)時(shí)信息，這其中是有害信息，涉黃是最為嚴(yán)重的一個(gè)現(xiàn)象。今年，相關(guān)部門已經(jīng)針對(duì)這些亂象加大了打擊力度，因此基于互聯(lián)網(wǎng)直播平臺(tái)的有害信息檢測(cè)成為重中之重。

以圖像識(shí)別技術(shù)為基礎(chǔ)如何進(jìn)行鑒黃？在直播的時(shí)候，每個(gè)直播間會(huì)間隔一秒或幾秒采集一個(gè)關(guān)鍵幀，關(guān)鍵幀會(huì)發(fā)送到圖像識(shí)別引擎，引擎根據(jù)圖像的顏色、紋理等等特征來(lái)對(duì)敏感圖像進(jìn)行過(guò)濾，這一過(guò)程會(huì)檢測(cè)肢體輪廓等關(guān)鍵特征信息，然后對(duì)檢測(cè)圖像特征與特征庫(kù)模型里面的特征相似度進(jìn)行匹配，給予待測(cè)圖像色情、正常、性感等不同維度的權(quán)重值，以權(quán)重值最高的作為判定結(jié)果輸出。

基于圖像識(shí)別得視頻涉黃檢測(cè)準(zhǔn)確率可以達(dá)到99%以上，可以為視頻直播平臺(tái)節(jié)省70%以上的工作量。

還有一些是語(yǔ)音為主的直播節(jié)目，比如談話聊天、脫口秀、在線廣播等。視頻檢測(cè)所使用到的圖像技術(shù)就很難在這些應(yīng)用場(chǎng)景發(fā)揮作用，所以音頻檢測(cè)需要有針對(duì)性的技術(shù)手段。

除了剛剛提到的幾個(gè)音頻檢測(cè)應(yīng)用場(chǎng)景之外，例如網(wǎng)絡(luò)音視頻資源審核，例如微信發(fā)布語(yǔ)音視頻信息，平臺(tái)后臺(tái)會(huì)對(duì)這些數(shù)據(jù)進(jìn)行審核；另外公安技偵通過(guò)技術(shù)手段來(lái)偵查網(wǎng)絡(luò)、電話犯罪行為；第三個(gè)是呼叫中心，傳統(tǒng)呼叫中心會(huì)產(chǎn)生大量的電話錄音，很多行業(yè)會(huì)對(duì)這些錄音進(jìn)行錄音質(zhì)檢，從這些錄音中提取業(yè)務(wù)開展的情況；最后一個(gè)是電信安全，主要是以關(guān)鍵詞檢索的手段來(lái)防止電信詐騙。

二、音頻檢測(cè)采用的技術(shù)手段

音頻可以分為有內(nèi)容和無(wú)內(nèi)容兩種：說(shuō)話內(nèi)容相關(guān)的包括說(shuō)了什么？（涉政、涉黃、涉賭還是廣告信息），另外還可以從說(shuō)話內(nèi)容來(lái)判斷語(yǔ)種以及說(shuō)話人的辨識(shí)；此外還有與說(shuō)話內(nèi)容無(wú)關(guān)的信息，例如特定錄音片段、歌曲旋律、環(huán)境音等等。

針對(duì)不同的數(shù)據(jù)類型有不同的檢測(cè)技術(shù)。針對(duì)說(shuō)話內(nèi)容有語(yǔ)音識(shí)別、關(guān)鍵詞檢索等；針對(duì)語(yǔ)種的判別有語(yǔ)種識(shí)別的技術(shù)；針對(duì)說(shuō)話人的識(shí)別有聲紋識(shí)別技術(shù)；針對(duì)說(shuō)話內(nèi)容無(wú)關(guān)的通常采用音頻比對(duì)的技術(shù)來(lái)進(jìn)行檢測(cè)。

語(yǔ)音識(shí)別的關(guān)鍵技術(shù)——聲學(xué)模型

語(yǔ)音識(shí)別的聲學(xué)模型主要有以下兩種：混合聲學(xué)模型和端到端的聲學(xué)模型。

混合聲學(xué)模型通常是隱馬爾科夫模型結(jié)合混合高斯、深度神經(jīng)網(wǎng)絡(luò)、深度循環(huán)神經(jīng)網(wǎng)絡(luò)以及深度卷積神經(jīng)網(wǎng)絡(luò)的一個(gè)模型。

端到端聲學(xué)模型目前有兩大類，一是連接時(shí)序分類—長(zhǎng)短時(shí)記憶模型，二是注意力模型。

聲學(xué)模型——混合高斯—隱馬爾科夫模型

混合高斯—隱馬爾科夫模型是根據(jù)語(yǔ)音的短時(shí)平穩(wěn)性采用采用隱馬爾科夫模型對(duì)三因子進(jìn)行建模。圖中顯示的是，輸入語(yǔ)音參數(shù)通過(guò)混合高斯模型計(jì)算每一個(gè)隱馬爾科夫模型狀態(tài)的后驗(yàn)概率，然后隱馬爾可夫模型轉(zhuǎn)移概率來(lái)描述狀態(tài)之間的轉(zhuǎn)移。

混合高斯—隱馬爾科夫模型是出現(xiàn)最早應(yīng)用最久遠(yuǎn)的模型。

聲學(xué)模型——深度神經(jīng)網(wǎng)絡(luò)—隱馬爾科夫模型

混合神經(jīng)網(wǎng)絡(luò)—隱馬爾科夫模型是將混合高斯模型用深度神經(jīng)網(wǎng)絡(luò)進(jìn)行替代，但是保留了隱馬爾科夫的結(jié)構(gòu)，對(duì)于輸入端的擴(kuò)幀和深度神經(jīng)網(wǎng)絡(luò)的非線性變換，識(shí)別率可以得到很大的提升。

聲學(xué)模型——深度循環(huán)神經(jīng)網(wǎng)絡(luò)—隱馬爾科夫模型

前面的深度神經(jīng)網(wǎng)絡(luò)對(duì)歷史信息的建模只是通過(guò)在輸入端擴(kuò)幀實(shí)現(xiàn)的，但對(duì)歷史信息的建模作用是有限的。

在深度循環(huán)神經(jīng)網(wǎng)絡(luò)中，對(duì)輸入的歷史信息可以進(jìn)行有效的建模，可以做大限度的保留歷史信息。根據(jù)現(xiàn)有的實(shí)驗(yàn)結(jié)果來(lái)看，在很多任務(wù)上，深度循環(huán)神經(jīng)網(wǎng)絡(luò)性能表現(xiàn)要由于深度神經(jīng)網(wǎng)絡(luò)。

當(dāng)然，深度循環(huán)神經(jīng)網(wǎng)絡(luò)也存在一些缺點(diǎn)。例如，在訓(xùn)練的時(shí)候，會(huì)出現(xiàn)梯度爆炸和梯度消失的問(wèn)題。

那么如何有限解決梯度爆炸和梯度消失的問(wèn)題呢？學(xué)者又引入了一種長(zhǎng)短時(shí)記憶模型。

聲學(xué)模型——長(zhǎng)短時(shí)記憶模型

長(zhǎng)短時(shí)記憶模型采用控制門（包括輸入門、遺忘門和輸出門）將梯度累積變成梯度累加，在一定程度上可以解決深度循環(huán)神經(jīng)網(wǎng)絡(luò)訓(xùn)練時(shí)梯度消失的問(wèn)題。

聲學(xué)模型——深度卷積神經(jīng)網(wǎng)絡(luò)—隱馬爾科夫模型

上面提到的深度循環(huán)神經(jīng)網(wǎng)絡(luò)能夠有效地對(duì)歷史信息進(jìn)行建模，但是它存在計(jì)算量太大的問(wèn)題，特別是為了減少這種梯度消失又引入了長(zhǎng)短時(shí)記憶模型之后，計(jì)算的信息量有加劇。應(yīng)對(duì)這一難題，業(yè)界又引入了深度卷積神經(jīng)網(wǎng)絡(luò)模型。

這種模型在圖像識(shí)別領(lǐng)域和語(yǔ)音識(shí)別領(lǐng)域都得到了顯著的效果。

在語(yǔ)音識(shí)別領(lǐng)域，我們可以從圖中可以看出，一共有四種深度神經(jīng)網(wǎng)絡(luò)的模型結(jié)構(gòu)，隨著深度的增加可以有效地提升聲學(xué)模型的構(gòu)建能力。

聲學(xué)模型——連接時(shí)序分類—長(zhǎng)短時(shí)記憶模型

前面提到的都是基于混合模型，以隱馬爾科夫模型來(lái)構(gòu)建轉(zhuǎn)換概率的模型。

在訓(xùn)練過(guò)程中，如果要用到高斯混合模型進(jìn)行強(qiáng)制對(duì)齊結(jié)果的訓(xùn)練。針對(duì)這個(gè)問(wèn)題，也有學(xué)則提出了不需要強(qiáng)制對(duì)齊的訓(xùn)練方法，例如連接時(shí)序分類（CTC），這種方法可以有效加速解碼速度。

聲學(xué)模型——注意力模型

另外一種不需要強(qiáng)制對(duì)齊的訓(xùn)練方法是注意力模型的訓(xùn)練方法（如上圖）。

語(yǔ)言模型

語(yǔ)言模型——N-Gram

基于N-Gram的特點(diǎn)是每個(gè)詞出現(xiàn)的概率，之和前面第N-1個(gè)詞有關(guān)，整句話出現(xiàn)的概率是每個(gè)詞出現(xiàn)的概率的乘積。

N-Gram有一個(gè)缺點(diǎn)，由于數(shù)據(jù)稀缺性需要進(jìn)行一個(gè)平滑算法，然后得到后驗(yàn)概率。

語(yǔ)言模型——DNN-Gram

DNN-Gram把深度神經(jīng)網(wǎng)絡(luò)引入可以有效地克服平滑算法的誤差。例如圖中顯示的，通過(guò)深度神經(jīng)網(wǎng)絡(luò)構(gòu)建語(yǔ)音性不需要平滑算法的處理。

語(yǔ)言模型——RNN-Gram

和聲學(xué)模型一樣，構(gòu)建語(yǔ)言模型也需要對(duì)歷史信息進(jìn)行訓(xùn)練建模，在聲學(xué)模型中提到的深度循環(huán)神經(jīng)網(wǎng)絡(luò)在這里也有應(yīng)用。

基于深度神經(jīng)網(wǎng)絡(luò)的語(yǔ)言模型每個(gè)詞出現(xiàn)的概率和N-Gram一樣，只是和向前的第N-1個(gè)詞有關(guān)，但實(shí)際上，每個(gè)詞出現(xiàn)的頻率和之前所有詞都有相關(guān)性，因此需要引入歷史信息進(jìn)行訓(xùn)練建模。

所以在這里加入了RNN-Gram進(jìn)行語(yǔ)言模型的構(gòu)建。

近幾年，語(yǔ)音識(shí)別的聲學(xué)模型和語(yǔ)言模型都得到了很大的提高。2016年，微軟的語(yǔ)音識(shí)別團(tuán)隊(duì)宣稱在swithboard數(shù)據(jù)集上超過(guò)了人類，swithboard數(shù)據(jù)集是一個(gè)以口語(yǔ)為主的訓(xùn)練測(cè)試數(shù)據(jù)集，包含了大量的副語(yǔ)言，所以用這種數(shù)據(jù)集進(jìn)行語(yǔ)音識(shí)別測(cè)試具有一定的挑戰(zhàn)性。

不過(guò)，語(yǔ)音識(shí)別在一些特殊領(lǐng)域的識(shí)別效果就大打折扣了。在強(qiáng)干擾環(huán)境和特殊領(lǐng)域中，可以通過(guò)基于語(yǔ)音識(shí)別的關(guān)鍵詞檢索方法來(lái)進(jìn)行音頻信息的檢查。

基于語(yǔ)音識(shí)別的關(guān)鍵詞檢索

基于語(yǔ)音識(shí)別的關(guān)鍵詞檢索是將語(yǔ)音識(shí)別的結(jié)構(gòu)構(gòu)建成一個(gè)索引網(wǎng)絡(luò)，然后把關(guān)鍵詞從索引網(wǎng)絡(luò)中找出來(lái)。從這一流程圖中可以看到，首先把語(yǔ)音進(jìn)行識(shí)別處理，從里面提取索引構(gòu)建索引網(wǎng)絡(luò)，進(jìn)行關(guān)鍵詞檢索的時(shí)候，我們會(huì)把關(guān)鍵詞表在網(wǎng)絡(luò)中進(jìn)行頻率，找到概率最高的，輸出其關(guān)鍵詞匹配結(jié)果。

構(gòu)建檢索網(wǎng)絡(luò)

構(gòu)建檢索網(wǎng)絡(luò)是語(yǔ)音關(guān)鍵詞檢索的重要環(huán)節(jié)。在這個(gè)圖中，在第一個(gè)時(shí)間段內(nèi)（w1、w3、w6、w7），這句話被識(shí)別成了四個(gè)不同的詞，語(yǔ)音識(shí)別只能給出一條路徑，但在語(yǔ)音關(guān)鍵詞檢索網(wǎng)絡(luò)中可以從四個(gè)結(jié)果中進(jìn)行篩選。

關(guān)鍵詞檢索

有了檢索網(wǎng)絡(luò)后，接下來(lái)的工作就是關(guān)鍵詞檢索工作。關(guān)鍵詞檢索是基于音節(jié)數(shù)據(jù)，首先將用戶設(shè)定的關(guān)鍵詞文本解析成音節(jié)數(shù)據(jù)，再?gòu)臋z索網(wǎng)絡(luò)中找出匹配結(jié)果，相比語(yǔ)音識(shí)別這種文本結(jié)果檢索，這種容錯(cuò)性更強(qiáng)，而且關(guān)鍵詞檢索可以只用在基于CTC，計(jì)算量更小，執(zhí)行效率更高，更適用于海量數(shù)據(jù)的檢索場(chǎng)景。

說(shuō)話人識(shí)別的關(guān)鍵技術(shù)

說(shuō)話人識(shí)別也稱之為聲紋識(shí)別，主要目的是對(duì)說(shuō)話人的身份確認(rèn)和辨識(shí)。

它的流程如下：首先對(duì)說(shuō)話人的訓(xùn)練建模，把注冊(cè)語(yǔ)音進(jìn)行特征提取，模型訓(xùn)練之后得到說(shuō)話人的模型庫(kù)；在測(cè)試的時(shí)候，我們需要通過(guò)一個(gè)很短的音頻去提取特征值，然后基于之前構(gòu)建的模型進(jìn)行閾值判斷，判斷出是集合內(nèi)還是外，最終確認(rèn)身份。

在這一過(guò)程中，注冊(cè)語(yǔ)音只要10s左右的語(yǔ)音，測(cè)試只要2-5s的語(yǔ)音。

說(shuō)話人識(shí)別的關(guān)鍵技術(shù)——特征提取-MFCC

MFCC（梅爾頻率倒譜系數(shù)），梅爾頻率是基于人耳聽覺(jué)特性提取出來(lái)的，和赫茲頻率呈現(xiàn)一個(gè)非線性對(duì)應(yīng)關(guān)系。梅爾頻率倒譜系數(shù)是利用好梅爾頻率和赫茲頻譜關(guān)系計(jì)算得出的赫茲頻譜特征，其主要應(yīng)用于語(yǔ)音數(shù)據(jù)的特征提取。

這張圖顯示的就是MFCC的提取過(guò)程，輸入語(yǔ)音進(jìn)行傅里葉變換，從中得到頻譜，然后通過(guò)梅爾濾波器進(jìn)行倒譜分析，再得到MFCC系數(shù)。

說(shuō)話人識(shí)別的關(guān)鍵技術(shù)——特征提取-DBN

MFCC是淺層的特征，只要通過(guò)語(yǔ)音參數(shù)的分析就可以得到，但是說(shuō)話人之間不同的特征還體現(xiàn)在其它特點(diǎn)上，僅通過(guò)MFCC是無(wú)法捕捉到的。

所以又要利用神經(jīng)網(wǎng)絡(luò)來(lái)解決。神經(jīng)網(wǎng)絡(luò)有一個(gè)特征層叫BottleNeck，BottleNeck是深度神經(jīng)網(wǎng)絡(luò)參數(shù)維度最少的一層，很像一個(gè)瓶頸。

BottleNeck特征提取是通過(guò)語(yǔ)音識(shí)別深度神經(jīng)網(wǎng)絡(luò)訓(xùn)練得到的。

說(shuō)話人識(shí)別的關(guān)鍵技術(shù)——模型訓(xùn)練GMM

完成關(guān)鍵特征提取后就要進(jìn)行模型訓(xùn)練。

GMM的訓(xùn)練流程是：首先把訓(xùn)練語(yǔ)音進(jìn)行特征提取，得到梅爾頻率倒譜系數(shù)，然后生成一個(gè)通用背景模型，再通過(guò)MAP的方法得到說(shuō)話人的模型。

注冊(cè)語(yǔ)音的流程也是類似，通過(guò)特征提取，進(jìn)行模型訓(xùn)練得到混合高斯模型。

在測(cè)試的時(shí)候，把測(cè)試語(yǔ)音進(jìn)行特征提取，然后從通用背景模型和混合高斯模型進(jìn)行最大相似度的判斷，再輸出識(shí)別結(jié)果。

說(shuō)話人識(shí)別的關(guān)鍵技術(shù)——模型訓(xùn)練I-Vector

I-Vector在近兩年有比較廣泛的應(yīng)用，它將說(shuō)話人特征和信道特征統(tǒng)一建模，得到說(shuō)話人特征通過(guò)信道補(bǔ)償記錄進(jìn)行識(shí)別，有效解決了訓(xùn)練樣本和實(shí)際檢測(cè)樣本存在信道不匹配的問(wèn)題。

信道特征對(duì)說(shuō)話人識(shí)別的準(zhǔn)確性干擾很大，如果前期學(xué)習(xí)建模過(guò)程中，能把信道特征統(tǒng)一建模后期在識(shí)別的時(shí)候，可以實(shí)現(xiàn)信道補(bǔ)償，大大提升說(shuō)話人識(shí)別的魯棒性。

說(shuō)話人識(shí)別的關(guān)鍵技術(shù)——模型訓(xùn)練DNN

我們還可以進(jìn)一步介入深度神經(jīng)網(wǎng)絡(luò)的方式來(lái)提取統(tǒng)計(jì)量。

用深度神經(jīng)網(wǎng)絡(luò)替代一些統(tǒng)一背景模型，可以把音素相關(guān)信息通過(guò)語(yǔ)音識(shí)別的深度神經(jīng)網(wǎng)絡(luò)結(jié)合起來(lái)，采集到更多的說(shuō)話人特征信息。

音頻對(duì)比技術(shù)

特征提取

音頻對(duì)比技術(shù)也是引用很早很廣泛的音頻檢索技術(shù)。

音頻對(duì)比主要是從音頻信號(hào)中提取特征，通過(guò)特征進(jìn)行比對(duì)來(lái)檢索。圖中提取的過(guò)程就是通過(guò)頻譜最大值點(diǎn)來(lái)建模。

特征構(gòu)建

在完成最大值點(diǎn)完成建模后，我們需要進(jìn)行特征的構(gòu)建。

特征構(gòu)建是通過(guò)最大值點(diǎn)之間的距離來(lái)建模，例如兩個(gè)最大值點(diǎn)的距離、位置信息作為一個(gè)固定的特征來(lái)完成音頻特征信息的構(gòu)建。

檢索

有了上述音頻特征之后，就可以對(duì)兩個(gè)不同音頻進(jìn)行檢索，最大相似度的地方就是相似點(diǎn)。這種技術(shù)最適用于錄音片段的檢索。

其它技術(shù)

1.語(yǔ)音欲處理技術(shù)：包括音頻編解碼、噪聲消除（軟件處理，硬件解決方案）、語(yǔ)音信號(hào)增強(qiáng)。

2.語(yǔ)義識(shí)別：對(duì)語(yǔ)音識(shí)別后的文本結(jié)果進(jìn)行分析，結(jié)合上下文，來(lái)判斷真是意圖。

3.語(yǔ)種識(shí)別、男女聲識(shí)別：識(shí)別方言、外語(yǔ)語(yǔ)種、發(fā)音人性別進(jìn)行識(shí)別。

4.流媒體技術(shù)：在實(shí)時(shí)音頻數(shù)據(jù)處理中，需要用到數(shù)據(jù)切分、數(shù)據(jù)緩存。

5.云平臺(tái)技術(shù)：云服務(wù)架構(gòu)設(shè)計(jì)、、服務(wù)模塊化整合、負(fù)載均衡等。

6.大數(shù)據(jù)技術(shù)：海量數(shù)據(jù)存儲(chǔ)、訓(xùn)練樣本自動(dòng)提取、模型訓(xùn)練等。

三、應(yīng)用場(chǎng)景案例

音頻審核數(shù)據(jù)來(lái)源可以分為實(shí)時(shí)數(shù)據(jù)和存量數(shù)據(jù)。存量數(shù)據(jù)主要是現(xiàn)有的語(yǔ)音資源，實(shí)時(shí)數(shù)據(jù)則包括正在直播的廣播、電視節(jié)目等。

存量音頻數(shù)據(jù)審核

場(chǎng)景：電信運(yùn)營(yíng)商詐騙電話檢測(cè)

這是針對(duì)存量數(shù)據(jù)的解決方案，它有大量的通話錄音，而且因?yàn)樵O(shè)備供應(yīng)商的不同，會(huì)造成音頻格式、音質(zhì)不統(tǒng)一；另外，電話錄音還存在噪聲干擾、方言口音問(wèn)題。

針對(duì)這類數(shù)據(jù)的檢測(cè)，我們可以提供一套完整的解決方案。

首先把通話錄音通過(guò)API接口上傳到關(guān)鍵詞檢索服務(wù)器上，關(guān)鍵詞檢索服務(wù)器的API網(wǎng)關(guān)對(duì)它的請(qǐng)求進(jìn)行分類處理之后，移交給后續(xù)的業(yè)務(wù)網(wǎng)關(guān)來(lái)分發(fā)處理。首先要進(jìn)行音頻預(yù)處理，音頻格式轉(zhuǎn)碼、語(yǔ)音降噪等，然后把處理后的文件存儲(chǔ)；接下來(lái)，把結(jié)果反饋給業(yè)務(wù)網(wǎng)關(guān)，由音頻比對(duì)對(duì)已知錄音片段進(jìn)行檢測(cè)，如果有匹配這些錄音片段就反饋結(jié)果——存在詐騙信息。

如果經(jīng)過(guò)音頻比對(duì)沒(méi)有發(fā)現(xiàn)詐騙信息，我們會(huì)調(diào)用關(guān)鍵詞檢索服務(wù)。

實(shí)時(shí)音頻數(shù)據(jù)審核

場(chǎng)景：在線直播平臺(tái)敏感信息檢測(cè)

它的數(shù)據(jù)是實(shí)時(shí)生成的，需要用到流媒體技術(shù)，包含圖像、音頻兩大數(shù)據(jù)源，所用到的檢測(cè)技術(shù)也不一樣。音頻檢測(cè)還分為語(yǔ)種、說(shuō)話人確認(rèn)、內(nèi)容識(shí)別。累積了大量的檢測(cè)數(shù)據(jù)之后，對(duì)后期的模型優(yōu)化升級(jí)也提出了更高的要求。

首先會(huì)對(duì)直播中的音視頻資源提取，分別交由圖像處理模塊和語(yǔ)音處理模塊，針對(duì)圖像數(shù)據(jù)我們要提取關(guān)鍵幀，針對(duì)語(yǔ)音數(shù)據(jù)，我們會(huì)把視頻數(shù)據(jù)中的音頻資源提取出來(lái)。

圖像數(shù)據(jù)的處理，拿到圖像數(shù)據(jù)關(guān)鍵幀后會(huì)定時(shí)發(fā)送到處理平臺(tái)上（ 雷鋒網(wǎng)注：可以在云端或者私有云部署）。

在圖像識(shí)別部分要對(duì)圖像預(yù)處理、圖像分割，拿到有效的區(qū)域來(lái)檢測(cè)，在有害信息識(shí)別檢測(cè)階段，我么會(huì)完成特征提取、目標(biāo)分類、判斷匹配，找出里面涉黃、涉暴的信息。如果用戶有進(jìn)一步的需求，例如廣告識(shí)別的要求，我們可以根據(jù)二維碼、數(shù)字、字符檢測(cè)技術(shù)來(lái)進(jìn)行廣告的識(shí)別。

音頻的數(shù)據(jù)提取之后，上傳到到服務(wù)器端。音頻實(shí)時(shí)處理有個(gè)局限是會(huì)占用大量的帶寬，所以通常采用私有云的部署方式。

拿到音頻數(shù)據(jù)之后，第一步是音頻預(yù)處理（流媒體緩存、斷句切分、統(tǒng)一格式、降噪處理），然后是內(nèi)容檢測(cè)（語(yǔ)音識(shí)別、關(guān)鍵詞檢索、語(yǔ)音識(shí)別）。除了內(nèi)容審核之外，還有其它的檢測(cè)，例如直播平臺(tái)會(huì)對(duì)當(dāng)前主播身份的確認(rèn)、廣告檢測(cè)、語(yǔ)種識(shí)別等。

精彩問(wèn)答

Q：從極限元的方案來(lái)看，音頻審核還存在什么Bug，它適用于哪些領(lǐng)域？

A：Bug肯定是有的，主要是目前技術(shù)的局限性，識(shí)別的準(zhǔn)確率還是問(wèn)題。在視頻直播、呼叫中心的應(yīng)用場(chǎng)景涉及到的比較多，只要能產(chǎn)生大量音頻數(shù)據(jù)的行業(yè)都可以使用音頻審核技術(shù)。

Q：音頻審核是否是人工+機(jī)器結(jié)合的審核方式？哪些部分必須要人工來(lái)處理？標(biāo)準(zhǔn)是怎樣的？

A：機(jī)器目前只是粗檢索，如果要100%的準(zhǔn)確率還是需要人工來(lái)完成。

Q：語(yǔ)音識(shí)別和聲紋識(shí)別部分對(duì)硬件的要求很高，那一般情況下需要配套的硬件方案嗎？

A:這是有的，我們通常會(huì)推薦一些硬件方案，而且不同的應(yīng)用場(chǎng)景也會(huì)有不同的推薦。例如，用戶在私有云端部署，對(duì)計(jì)算量要求很高但對(duì)帶寬的需求很小，如果在云端部署，對(duì)帶寬有更高的要求。

Q：音頻審核對(duì)降噪有做哪些處理？

A：主要是為了減少直播中存在的聲道干擾和背景聲的干擾，例如不同麥克風(fēng)回聲，還有一些已知的噪聲信號(hào)，我們會(huì)針對(duì)這些做一些預(yù)處理。

Q：關(guān)鍵詞是怎么設(shè)定的？改變關(guān)鍵詞的話，對(duì)整個(gè)系統(tǒng)方案影響很大啊。

A：關(guān)鍵詞的設(shè)定目前還是人工設(shè)定為主，機(jī)器不能自動(dòng)提取關(guān)鍵詞。例如上文提到的電信詐騙，里面的關(guān)鍵詞也是人工篩查得出的。

Q：系統(tǒng)同時(shí)結(jié)合音頻和視頻方案最難的地方在哪里？

A：如果是同一段視頻既要圖像檢測(cè)又要音頻檢測(cè)，在時(shí)間點(diǎn)的同步上是一個(gè)很大的難點(diǎn)，因?yàn)檎Z(yǔ)音識(shí)別、圖像識(shí)別是兩套系統(tǒng)。