Google 新推出的这款 app 是专门给听力障碍群体用的

“全球约有 4.66 亿耳聋和听力障碍患者，这是非常巨大的一个数目，如果把这个数字当成是一个国家的人口的话，这个 ‘ 国家 ’ 就是世界人口第三大国了。”

远在美国的 Google AI Research Group 高级产品经理 Sagar Savla，通过远程视频参与了一次在中国举行的采访会议。采访中，他展示了上述让人意想不到的统计数字。

借助技术的力量，普通人得到了能力增强，能完成过去做不到的事情，比如 Sagar 可以借助实时视频串流跨洋交流。在科技公司做产品的 Sagar，想让听力障碍群体也能受惠于技术进步。

Google AI Research Group 高级产品经理 Sagar Savla

Live Transcribe 是什么?

Sagar 和他的团队已经迈出了第一步 ——Live Transcribe。Live Transcribe 是一个 Android 端的 App，能将自动生成字幕功能引入日常对话，帮助听力障碍人群融入即时口头交流。这款 App 已于 2019 年 2 月底发布，目前支持 70 多种语言并覆盖全球 80% 以上的人群。

如上所述，全球有 4.66 亿耳聋和听力障碍患者。过去，他们想要参与即兴对话和社交场合，得提前预订昂贵的手动转录服务，成本颇高，Live Transcribe 用技术来解决了这个问题。

Live Transcribe 基于 Google 过去几十年的自动语音识别(Automatic Speech Recognition，以下简称 ASR )技术积累，能把人类的语音信号转变为相应文本。YouTube 上的自动字幕生成，就是应用 ASR 技术的结果。

(安静环境下 Live Transcribe 实时字幕转录普通话测试)

2018 年，Sagar 利用 20% 的工作时间开启了 Live Transcribe 这个项目。“开始不久我们立刻意识到，这其实是一个非常切实的项目。因为在 Google 也有一些聋人员工，他们拿到这个产品后几乎无时无刻不在使用。启动一个月后，我们就把这个项目固定下来了，建立了相应的产品开发团队。” Sagar 对 PingWest 品玩回溯起项目的发展。

值得一提的是，美国国家级院士 Dmitri Krakovsky 也加入了 Live Transcribe 项目组，他天生就是聋人，已经研究 ASR 30 多年。

Live Transcribe 是怎么运行的?

过去，基于 ASR 的转录系统一般都需要计算密集型模型、详尽的用户研究以及昂贵的连接服务费用。

为了降低用户使用自动连续转录服务的成本，Sagar 团队将 Live Transcribe 背后的神经网络模型分别部署在设备端和云端(Google Cloud)。

设备端的是卷积神经网络模型，主要做声音分类的工作，能辨别 570 个声音类别，比如婴儿哭声或玻璃破碎声。

云端的神经网络模型规模大得多，主要做语音转录成文字的工作，由三个部分组成。

第一部分是声学模型，能够从音节的角度辨析说话者所说的是“ Hi ”还是“ Hello ”。

第二个部分是发音模型，可以根据识别出来的音节做拼接或组合，组成实际的单词。第三部分是语言模型，根据识别出来的单词添加适当的标点符号和停顿，以符合人类语言使用习惯。

基于云端神经网络做语音转录的好处是，对设备性能要求没这么高。Sagar 告诉 PingWest 品玩：“这意味着，Live Transcribe 在一些性能较弱的低端设备上也可以正常运行。”

理想状态下只要有互联网接入，能使用 Google 服务，语音转录延迟都可以控制在 200 毫秒以内。Sagar 对 PingWest 品玩表示：“在一些网络接入速度没这么快的第三世界国家，听觉障碍人群其实愿意花一点时间来获得更加准确识别的效果。因为如果没有这款产品的话，他们是很难听见的。”

落地遇到的问题

落到实际用户使用场景，Sagar 团队要解决的问题不止设备性能和网络连接。

Sagar 团队与加拉德特大学共同发起了用户体验研究，考虑了几种不同的设备：计算机、平板电脑、智能手机、小型投影仪，甚至还有 VR/AR 眼镜。“考虑到产品能够具有普惠性，最终选择了成本比较低廉，大家都用得起的一种设备 —— 智能手机”。

“第二个我们要解决的问题是，实时显示字幕的时候是否要显示字幕转录的置信度(转录后文字的可信程度)。” Sagar 说。

一开始，他们曾尝试用颜色来代表转录文字置信度，黄色代表高置信度，绿色代表中等置信度，而蓝色代表低置信度，白色单词为新文本。

Sagar 团队最终放弃了显示置信度：“经过测试，我们发现这种方式会给用户造成一个错觉，好像同一颜色的是一个词组。”

第三个要解决的问题是环境噪音，又称之为“鸡尾酒会问题”：在一个派对场景中，有很多人在交谈，机器很难识别正确的谈话对象。

“为解决此问题，我们构建了一个指示器，用于显示相对于背景噪声的用户说话音量。” Sagar 说：“较亮的内部同心圆代表噪声层，代表当前环境所处的噪声级别。外部同心圆表示麦克风对说话人声音的接收状况。用户可借此收到即时反馈，了解麦克风的接收状况，以便其调整手机位置。”

将来，Sagar 团队会继续改善“鸡尾酒会问题”的解决方案，让对话者的声音更好地从多个说话对象中分离出来。Sagar 说：“ Live Transcribe 也不排除会出 iOS 版本，让更多受众用上这项服务。”

【来源：品玩】