如何將RTC中基於AI的音頻算法有效的產品化

正文字數：4854 閱讀時長：7分鐘

將AI算法任務模塊化是一種解決AI音頻處理算法應用效果不夠好、通用/擴展性差、計算開銷大等問題的有效方法。網易雲信 資深音頻算法工程師 郝一亞在LiveVideoStackCon 2020北京站的演講中就「模塊化」是怎樣解決上述問題的，「模塊化」工程實現的可行性等問題進行詳細解析，並舉例介紹了目前市場中的幾個「模塊化」的成功案例。

文 / 郝一亞

整理 / LiveVideoStack

大家好，我是郝一亞，來自網易雲信，目前主要負責網易雲信在RTC領域的音頻算法的研發。本次我想要分享的題目是如何將AI音頻算法應用、結合到RTC中，我會結合自己在國外的一些研究和開發的經驗，包括網易雲信在AI音頻算法應用實戰當中的一些經驗總結，和大家一起聊一聊如何將AI音頻算法與RTC有機結合。

01

RTC中AI音頻的現狀

TITTLES

首先，第一個問題是RTC中AI音頻到底是處於一個什麼階段？可能大家會接收到比較極端的兩種不同信息：第一種就是目前AI算法如Deep Learning等在各行業都開始廣泛應用，效果也比較好；另外一種就是大家在實際的工作當中，可能會感受到AI在某些情況下，比如說在訓練集和一些特定Case下的感覺還不錯，但很難落地、上線到實際的產品當中，存在著各種各樣的問題和困難。那麼首先我們來簡單分析下目前AI音頻到底是處於一個怎樣的階段。

1.1 音頻處理中AI的力量

先來介紹一些好的方面，例如結合CNN的降噪，最早是因為AI在Computer vision領域成功的應用，我們就可以把這種語譜圖（如圖所示）作為一個圖像的概念。這樣的方式為CNN和降噪模塊的有機結合提供了一個契機。

圖中展示的就是一個CNN的降噪，我們可以看到，如左上角圖所示，右邊是傳統的降噪方法，Noisy Speech相對於原始信號，它的信噪比已經很低了。而左邊是一個MMSE的算法，相比於傳統方法是有一定提升的，特別是非語音段。但我們可以從中看到特別是高頻的部分，還是存在很多的殘留。從橫向對比來看，AI算法在基於傳統的方法之上，可以讓我們在非語音段有對噪聲有一個非常好的抑制，其結果對比原始信號，可以看到其實相似度非常高，肉眼基本很難區別。

下面的例子是一個場景的分類，說到有關分類的問題，其實我個人覺得這是AI比較擅長的一個方向。我們可以看到Noise Suppression、Sound Classification、Acoustic Echo Control，Blind Source Separation這四種方式其實都是結合神經網絡的方式。如圖左下角所示的AI Sound Classification是一個基於簡單的模型的方式，是不涉及任何神經網絡的。我們可以看到儘管因為任務的難度較大，所能達到的只有百分之六十左右的準確率，但和傳統方法相比還是有很大程度的提升。

之所以列舉出這兩個例子，是希望讓大家知道其實我們在音頻上有很多的模塊已經可以用AI來解決，包括這兩個例子在內，以及之前提到過的AEC，還有NLP(非線性處理)模塊其實現在也有很多研究是在結合AI來做，除此之外還包括BSS (盲源分離)，目前我知道有些落地的項目也是基於AI的。所以總得來說AI在音頻算法中的應用是多種多樣的，是多點開花的。

1.2 音頻處理中AI的挑戰與局限

接下來介紹AI音頻的一些局限，在這裡我主要總結了三點：第一點我們能想到的就是AI的計算量和計算複雜度的問題。通常來說AI的模型，特別是現在神經網絡的模型，它的計算量平均來說會比傳統算法更大一些。對於大部分終端設備來說，其算力是有限的，PC設備相對還好一些，但是我們還需要保證實時性，因此將AI的模型全部附加在終端設備上，對於設備的硬體來說還是有比較大的壓力的。第二點是泛化能力。在數據驅動的方向上，泛化能力有限一直是一個問題。比如說我們有自己的數據集，那麼我們該怎麼用有限的數據來cover更多的結果，特別是由於RTC覆蓋的業務場景會非常多，比如教育領域、泛娛樂領域，每個領域的場景都會有所不同，AI算法要cover所有場景更是難上加難；最後一點是魯棒性，和泛化性略有相似，但更多的是指一些突發情況，比如在某些場景中突發的噪聲、時間上的跳變、參考時間的不齊等等。在這些情況的影響下，系統夠不夠穩定？系統會不會犯錯？犯的錯會不會是一個大錯？這其實很考驗AI的算法，就相當於我們把所有的東西丟到一個黑盒子裡面，看它是否能夠全部的、真正的運行正常。

總結上面提到的兩點，我認為AI的效果，它的優勢其實已經被證實了，但由於算力和數據等各方面的問題以及AI模型本身的一些問題，它現在還達不到完全替換傳統信號處理方法的階段。

RTC領域的Tsahi專門就這一問題做了很多的評估，這裡我們引用了Tsahi的一張圖，根據他的分析目前我們的位置剛好是處於一個臨界點。也就是從現在向後走，當我們的算力得到進一步提升，或者是我們在數學或各個基礎學科上有所突破，可能會迎來整個AI的一個大爆發，但就目前看來看我們正處於一個臨界的位置。所以今天我想和大家一起探討的是如何在臨界位置去揚長避短，如何應用AI的優勢，然後將它有機的結合在我們的RTC裡面。

02

「模塊化」

TITTLES

「模塊化」就是其中的一個有效途徑，模塊化對應的主要是：例如我們有一個端到端的長鏈路，有一個降噪的算法。長鏈路就是說從數據的輸入一直到數據的輸出，如果我們直接將其當成黑盒來訓練，這就是一個非常長的端到端的算法。那對應的模塊化就是我們「能不能將這個長鏈路分解成一些小的模塊」，其中一些小的模塊是很適合用AI去做的，我們用小的模塊去做，既節省了開銷，也能夠解決很多之前我們提到的問題，就像是讓專業的人去做對應專業的事情。

示例一：音頻降噪中的AI算法

舉個例子，這裡是一個比較通用的端到端的AI降噪算法。我們來看如圖下方所示的訓練的過程，首先將輸入的信號放到頻域STFT，然後就直接拿它的Magnitude，先不用相位，直接把它的一些頻點拿去，將它的一些Feature提取出來做Training，這是一個非常直觀的訓練過程。

訓練完成後直接放在我們的實時的系統裡面，在實時系統裡進行同樣的操作。然後我們將相位拿出來，先放在這裡不做任何操作。接著我們可以通過做一個Noisy Floor 或者是簡單的VAD判斷一下，然後同樣進行特徵提取，放到預先訓練並Frozen好的降噪的模塊裡進行處理，最後和我們的Phase結合，得到我們的輸出。

其實很多的AI算法如果從宏觀的角度來考慮，只需要有一個輸入，有一個輸出，其它的就都可以全部交給機器，讓它自己去訓練。但這就會遇到我們剛才提的三個問題：計算複雜度，泛化能力和魯棒性，也許我們可以簡單的做一些權衡，比如犧牲一些計算時間去換取更高魯棒性，但其實整體上還是很難突破這個瓶頸。

那麼，怎麼有效的解決這個問題呢？這裡我們看一個傳統信號處理中的降噪算法，跟剛才介紹到的方法比較像，唯一不同的地方是它分別添加了一個Speech Estimation的模型和Noise Estimation模型，這裡面會有比如說類似於先驗概率（Prior-SNR）這樣的計算，再通過後面的結合就會有類似於對於每個頻點有一個gain計算出來，結合起來後處理然後再輸出。

那我們看一下，這裡的Noise Estimation模塊，其實是比較適合拿出來單獨做深度學習訓練的小模塊，特別是假設噪聲是一個Stationary Noise的穩態噪聲，是更適合的。在這裡，我們可以不用端到端的去訓練整個AI的模型，而是把這個noise estimation訓練成一個噪聲估計模型。後面我們在實時系統裡面，每次遇到Noise Estimation，我們就不再是一個傳統的Noise Estimation，我們就會用這個訓練好的Model 去把我們想要的一些參數和feature都計算出來。

還有一個就是VAD模塊，這裡的VAD不是時域上的VAD，而是對於每個頻點有一個判斷。這種Classification的問題是很適合通過AI 的Model 來做的，這也是可以單獨拿出來做訓練的模塊。

我們再回顧一下這三個問題：計算複雜度、魯棒性和泛化能力，通過模塊化，計算複雜度的問題我們可以用一個輕量級的網絡來解決。剛才我們看了端到端的NS圖，我們要解決這個問題，一般會用到層數稍微偏多的網絡，因為我們要解決的問題是比較複雜的，需要從噪聲和語音疊加的信號裡面，將噪聲給抑制掉。但是如果我們換作只對Noise 去進行一個Estimation，那本身的問題就會比較簡單，也就是我們提到的一個簡單的訓練目標。對於這種訓練目標，這些問題本身也會更適合DNN的Model 去學習。

示例二：聲音場景檢測

再來看一個例子，這個是一個聲音的場景檢測分類。剛才現場也有朋友提到過，如果回聲消除裡是音樂聲怎麼辦？如果是場景檢測的話，我們會有一個Music Detection，如果檢測出是音樂類的場景，我們會有另外的一套機制來處理。例如我們NS中有一套對於音樂聲的標準，最直觀的就是弱處理，還可以通過NLP裡面的一些相應的處理方式；第二個就是我們簡單對Noise 進行分類，然後對應剛才提到的Noise Model的Training。比如說我們可以分類檢測出現在平穩噪聲是什麼類型的平穩噪聲，或者是檢測出現一些非平穩的噪聲的類型，我們會有針對不同噪聲的預訓練的Model，可以結合不同場景優化NS；第三個場景是針對底噪的估計，底噪是一個比較嚴重的問題，特別是在會議場景，開放的辦公環境下。那麼應該如何來估計底噪？因為底噪較常見的是平穩的噪聲，如果我們有一個Noise Detection來輔助，底噪估計的準確性會大幅提高，對系統來說是一個整體的優化。在這裡我列出了場景檢測的三種不同形式，雖然場景檢測是一個很小的模塊，是原本不屬於例如RTC的３A算法、長鏈路中的模板，是額外附加的子模塊。但當我們有了這個模塊後，可能會有更多的東西和更多的應用場景可以來優化我們的３A算法中的各個模塊。

示例三：波到達方向估計

Direction of Arrival-DOA，

在現在的RTC中，DOA一般會搭載著Beamforming和Microphone Array

如圖中Demo所示，使用的是圓陣，有八個麥克風，一般對應的是會議室的場景，大家可能會比較容易聯想到類似形狀的麥克風，或者是八爪魚的形狀的麥克風。除了這種形式之外，還有一些平板的電視一般是線陣的，也同樣是陣列的麥克風。它是通過陣列麥克風形成不同的Beam，然後通過ＤOＡ來選擇Active Speaker 是在哪個Beam上，並且增強它的SNR，而其它噪聲的因為在旁瓣上，就會被自然地抑制掉。而且Beamforming是一個線性的，不存在非線性的失幀。

關於DOA, 其實傳統算法有GCC-PHAT和SRP等，是高精度的，能夠從數學上精確判斷具體的多少度。

但在實際的場景中beamforming自己有寬度，一般我們會做二十多度，或者是十五度，相鄰的beam會有一些重疊，其實我們不需要那麼高的精度。現在有一個方法就是通過Beam Selection直接去判斷應該選擇哪個Beam。DOA會多出來這樣的一個分支，在這個分支上有很多傳統的算法。我自己在這方面也進行了很多的研究，比如在Beam的能量上，哪個能量大我就用哪個。我自己也提出過兩個方法，都是關於頻域信息提取的，但是後面通過對於傳統算法和DNN算法的比較和研究，嘗試了通過CNN、RNN或者CNN結合一些之前幀的信息的方式，也用不同的feature，lost function，基本上大部分的效果都會比傳統的方法要好很多，包括一些輕量級的一些網絡。

03

未來展望

TITTLES

剛才我們講了幾個例子，其實在整個的模塊化當中還會有很多的一些其它小的子模塊，可以拿出來，不僅限於之前提到的那些。比如說我們最近研究的AEC中的NLP(非線性處理)模塊中，嘗試的結合BSS的方法，比如ICA。ICA中有一些子模塊可以提取出來，做一些AI 的Training，這個也是我們目前認為比較可行的路，從結果上來看效果都會比之前的好很多。

對於未來，分享開始的時候我們就提到了Tsahi的預測，未來可能會有更多的AI算法融合進來，未來的爆發點可能是更先進的神經網絡模型，更高效的GPU，但是有一項關鍵點不會變，會一直被需要，那就是數據。

數據目前我們可以大致分為幾個部分，比如Open Source，在學術界大家會分享，會推動整體的進程，可能會有第三方公司提供一些數據，同時我們自己可能也會收集一些數據。現在網易雲信在做的就是針對很不同的NS場景進行AI的降噪，這一部分噪聲對於我們而言其實是比較難尋找到的，尤其是前兩個途徑中。一是因為這些噪聲本來就會很特別，Open Source很有限。如果和第三方合作，我們是考慮到驗證和收集的過程中會有很多溝通成本。所以我們大部分都是自己收集的。自己收集就需要有自己的一些基礎設備，可能會要求有自己的消聲室，自己的錄音棚環境，還有一些工具：人工頭、人工嘴來播放，還需要一些收集的設備，比如標準麥克風等。還需要很多其他配套的自動化工具，比如Labeling的工具。目前我們網易雲信已經配備了全套工具和環境，我們現在已經自己採集了很多數據集，並且應用到了我們AI算法中。

下面我們來給大家演示一個demo，大家可以體驗一下從沒有降噪到降噪的處理過程。

除了音頻之外，在視頻方面我們也有很多算法是由AI驅動的，以下是我們在視頻超分方面的一個Demo演示視頻，黃線右邊是原始圖像，左邊是經過超分處理的，大家可以看到，左右兩邊的效果對比還是非常明顯的。

灣區最原汁原味的技術，全球最前沿的應用實踐

無需漂洋過海，我們在線上等您！

LiveVideoStackCon 2020 美國站

2020年12月10日-12月11日