記者／施嫚祺
Google於11日公布音訊分離技術(Audio-Visual Speech Separation)的研究結果，提出深度學習視聽模型，將影片中所有人物的聲音分離成獨立音軌，此技術未來可應用於視訊、多人會議或者辯論的政治節目，當閱聽眾點選影片中特定人物，就能夠只聽到他的聲音。
￭ Google發表音訊分離技術的深度學習視聽模型。（截圖自／Google Research Blog）
Google此研究透過視覺訊號分離音訊，提高語音判讀的準確度，強化影片中特定人聲音量，甚至能夠去除影音中的雜音，只留下清晰的音軌播放，此技術應用了「雞尾酒會效應」，即人類有很強的聽力選擇能力，在音訊複雜的環境中，可僅將注意力集中在某個人的聲音，而忽略其他的雜音，因此人們可以在吵雜中進行談話。
研發過程中，Google蒐集10萬支Youtube上演講的影片，僅擷取演講人的聲音，保留約2千小時的影音內容訓練模型，並透過蒐集這些數據建立「合成雞尾酒派對」（Synthetic cocktail parties）資料庫，藉由人工智慧分離音訊的功能以訓練模型。
Google開發團隊表示，將音訊分離後有助於提升語音辨識系統，以自動生成字幕，故當閱聽眾在觀看Youtube的影片時，按下右下方的CC按鈕，即可呈現更準確的字幕，而未來適用範圍相當廣泛，將繼續研究如何應用在其他產品上。