Google解释Pixel手机录音程序背后的语音转文本技术

Google之前就推出适用于Pixel手机的新型录音应用程序Recorder，这个录音程序不只可以将语音转译成文本，还可以可视化地显示声音类型的分类，另外，在录音结束用户要输入标题时，Recorder也会提供建议标签。这些功能，都是Google应用设备上机器学习技术开发，现在披露了背后的细节。

将语音转录成文本的功能，其应用的技术在早前就已经趋于成熟，Recorder可以使用设备上自动语音识别模型，即时地转译语音，Google提到，除了增加模型稳定度，使其能可靠地转录数小时的录音之外，他们还将单词对应到时间戳以索引对话，用户可以点击转录出来的单词，并且从对应时间点开始播放录音，用户也能搜索单词，并精确地跳到录音提到该单词的时间点。

虽然显示录音的文本记录，可让用户搜索特定单词，但Google提到，以可视化标示特定时刻或是声音的录音段落，对于长时间的录音来说，用户能更容易进行搜索。因此Recorder会将声音以波型表现，并且用不同颜色来表示不同的声音类型，像是狗叫声或是乐器演奏就会以不同的颜色区分。

实际情况通常是同一个时间点，Recorder可能会录到多种声音，Google会将波型以最具代表性的声音颜色着色。Recorder识别声音类型的方法，会侦测部分重叠的960微秒声音音框（Frame），来判断50微秒区间的声音类型，Google提到，以较小50微秒偏移量分析处理960微秒窗口中的内容，不容易出错且能精确的找出窗口开始时间与结束时间。

另外，当音频录制完成之后，Recorder会挑选最具记忆性的内容作为建议标签，用户可以快速地应用这些标签撰写成标题。而为了能够在音频录制结束之后，马上能够提供建议标签，Recorder在转录音频的时候，便会即时进行分析。

Recorder会计算单词出现的次数以及在句子中的语法作用，并且大写专有名词，接着会使用词性标记程序，这是一个根据句子文法标记每个单词的模型，来侦测用户更容易记住的一般名词与专有名词，Recorder以对话数据以及字词频率和特性等文本特征训练决策树，计算单词和双字词分数，在滤掉禁用词与脏话，最后输出前三名的结果。