“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。

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。”