近期，來自于約翰霍普金斯大學（John Hopkins University）和亞馬遜（Amazon）的研究人員們發布了一篇論文，介紹他們是如何通過訓練一個深度學習系統來幫助亞馬遜Alexa語音助手識別并忽略那些并非是對她說的話，從而將其語義識別模型的識別準確度提高了15%。

研究人員在他們的論文中指出，“諸如Amazon Echo和Google Home的這類家用聲控設備都面臨著一個問題，那就是當周圍存在干擾聲源的時候，設備如何能夠照常地識別指令。”

為了讓Alexa更好地識別指令，研究人員訓練了一個神經網絡，來匹配和識別“喚醒詞”（通常是“Alexa”）以及緊隨其后的指令，并忽略那些來自于其他人或媒體設備的干擾。

研究人員介紹說：“這項任務的挑戰在于需要從含有特定詞匯的話語片段中學習使用者的語言習慣。借助于兩種不同的神經網絡架構，我們最終實現了這一目標。兩個神經網絡架構都是具有注意機制的序列到序列編碼器 - 解碼器網絡的變體。”

借助于NVIDIA V100 GPU和OpenSeq2Seq工具，用于序列到序列模型的分布式和混合精度訓練，使用TensorFlow建立，團隊用1,200小時來自于Amazon Echo的實時英文數據訓練他們的算法。

通過改進所開發的基線網絡，該團隊還添加了一個額外的輸入端，能夠通過優先處理類似于錨字的語音來增強注意機制。研究人員總結說： “在訓練期間，注意機制會自動學習喚醒詞的哪些聲學特征，以便在隨后的演講中尋找。”

該團隊還開發了一個mask-based模型，該模型能夠更加明確地將輸入語音與錨字的聲學輪廓相匹配。

最后的測試結果顯示：第一種方法的性能更好，達到了15%的改進；第二種模型也達到了13%的改進。

根據研究人員介紹，該算法在訓練和推理過程中都采用了NVIDIA GPU。