那些AI 与 实时音视频通信碰撞出的技术趋势
欢迎访问 RTC 开发者社区，与更多开发者交流实时音视频技术经验
大到无人驾驶、智能物流，小到人们出国旅游手上拿着的翻译机，AI 早已从曾经的天马行空变得触手可及。AI 也成了很多公司未来的核心战略，并应用到了产品中。其实，在 RTC 领域亦是如此。
提到 RTC 中的 AI，你可能还会记得今年 RTC 领域中的热门话题超分辨率。前几天，据说某款手机已经将其应用于调节照片远景放大后的清晰度上。我们也曾有不止一位演讲人，曾在 RTC 2018 中分享过将超分辨率应用于实时音视频中的研究。不过，超分辨率只是 AI 在 RTC 中的一个应用而已。
概括来讲，目前 AI 与 RTC 的结合点有四个：
- 语音分析：使用机器学习分析，将实时音视频中的语音转录为文本、字幕。
- 语音机器人：在对话框中与用户交互的语音机器人，输入与输出皆通过语音，比如Siri、Alexa、Cortana等。
- 计算机视觉：处理视频，分析和理解视频中的内容。
- RTC 优化：用于提高服务质量或性能的机器学习算法模型。
一、语音分析（Speech Analytics）
如果你对今年 Google I/O 有印象，你可能还会记得官方曾经做过一段演示，YouTube 可以根据视频的图像和声音，将视频内容翻译并以字幕形式显示出来。而且，Google 在语音识别、分析方面做了优化，即使视频中口音模糊，也能根据视频内容进行智能翻译，最终显示为字幕。应用于其中的一个重要技术方向就是语音分析。
在 RTC 中，语音分析主要的应用形式包括电话中心智能语音交互、语音转文本、翻译等等。语音分析是一个相对成熟的技术应用方向，也是一个多学科应用于实际的范例。它涉及了信号处理、模式识别、概率论和信息论、发声机理和听觉机理、深度学习等。就像 Google 所做的，我们可以将它应用于自己的视频会议、视频通话、直播连麦等一系列实时音视频场景中。如果想快速实现，市场上有很多 API 可以帮助到你；如果你的团队技术实力雄厚，那么也有几个比较著名，也比较老的开源工具可以使用。
业界有不少公司都能提供语音分析功能，例如国内的讯飞、百度、搜狗等，再例如 Google Speech API 和 Facebook 推出的 wav2letter 等。Agora 开发者也完全可以基于 SDK 的接口与这些语音识别、分析服务结合，实现创新场景。
如果自研，那么也有不少可以参考的算法模型。例如这4个“历史悠久”的语音识别相关的开源项目与非开源项目：HTK、CMU Sphinx、Julius、Kaldi。我们逐一简单介绍下。
1. HTK
首先 HTK 并不是开源的，它是由剑桥大学工程学院（Cambridge University Engineering Department ，CUED）的机器智能实验室于1989年开发的，用于构建CUED的大词汇量的语音识别系统。HTK 主要包括语音特征提取和分析工具、模型训练工具、语音识别工具。1999年 HTK 被微软收购。2015年 HTK 发布了3.5 Beta 版本，也是目前最新的版本。
2. CMU-Sphinx
CMU-Sphinx 是卡内基-梅隆大学（CarnegieMellon University，CMU）开发的一款开源的语音识别系统。它包括了一系列语音识别器和声学模型训练工具，被称为第一个高性能的连续语音识别系统。Sphinx 的发展也很快，Sphinx4 已经用 Java 改写，所以适合嵌入到Android平台。
3. Julius
Julius 是日本京都大学和 Information-technology Promotion Agency 联合开发的一个实用高效双通道的大词汇连续语音识别引擎。Julius 通过结合语言模型和声学模型，可以很方便地建立一个语音识别系统。Julius 支持的语言模型包括：N-gram模型，以规则为基础的语法和针对孤立词识别的简单单词列表。它支持的声学模型必须是以分词为单位，且由HMM定义的。HMM 作为语音信号的一种统计模型，是语音识别技术的主流建模方法，正在语音处理各个领域中获得广泛的应用。Julius 由 C 语言开发，遵循GPL开源协议，能够运行在 Linux、Windows、Mac：OS X、Solaris 以及其他Unix平台。Julius 最新的版本采用模块化的设计思想，使得各功能模块可以通过参数配置。
4. Kaldi
Kaldi 是2009年由 JohnsHopkins University 开发的，刚开始项目代码是基于HTK进行的开发，C++ 作为目前的主要语言。Kaldi的维护和更新非常及时，几乎每一、两天就有新的 commits，而且在跟进学术研究的新算法方面也更加快速。国内外很多公司和研究机构也都在用 Kaldi。
上述几种语音识别开源代码是基础的开源版本，基于这些版本诞生了不少衍生的版本，比如 Platypus、FreeSpeech、Vedics、NatI、Simon、Xvoice、Zanzibar、OpenIVR、Dragon Naturally Speaking等。
二、语音机器人
现在很多呼叫中心都引入了 IVR（互动式语音应答），顾客可在任何时间打电话获取他们希望得到的信息，当遇到无法解决的问题时才转入人工坐席。它可以提高服务质量、节省费用。
但它自身也存在着问题。你可能也遇到过，有时候打给一个客户中心，语音提供了多个选项让你选择，可当你听到第五个之后，就忘了之前的选项都有什么，以至于还要再听一遍。所以很多呼叫中心会把菜单设计成更少选项更多层级。但这会让用户的交互过程变得更长。
所以语音机器人开始成为呼叫中心的新选择（也可能有人管它叫智能客服或其它名字）。用户只需要说出想要什么，它就能根据关键信息筛选出用户想要的信息，就好像电话那头多了一个 Siri。
当然，Siri 也是是除了呼叫中心以外，语音机器人的另一种应用形式。目前已经有很多公司都推出了相应的产品或接口（如上图所示）。不过，要建立一个能与人自然交流的语音机器人，从架构、音频处理到算法模型的训练等，需要面对很多问题：
- 处理噪音
- 处理方言和自定义词汇表
- 语音验证
- 处理延迟
- 使用 SSML 进行更自然的语音合成
- 模型训练
三、计算机视觉
现在计算机视觉的应用应该已经很常见了，例如：
- 面部识别
- 物体检测
- 手势操作
- 情感分析
我们曾在年初的时候分享过两篇文章，讲述了如何结合 WebRTC 与 TensorFlow 实现物体识别，这是一位开发者的实验。大体过程是，每秒将视频图像经由 HTTP 传输到服务器端，然后通过服务器端的机器学习算法模型处理后得出检测结果，再反馈给本地，具体代码可以看我们之前的文章。
不过这个实验仍然存在很多的局限，如果图像质量过高，会需要更多传输、处理的时间，这会影响检测的实时性。所以，后来有人提出了可以在本地进行图像识别。
上图是一个基本架构，如果你感兴趣，也可以尝试一下。它利用了 google 的 AIY 硬件工具来运行 DNN。也就是说，当你采集到视频之后，可以在本地进行处理，那么就无需担心图像识别的实时性问题了。
四、对 RTC 的优化
利用 AI 可以在实时音视频方面做很多事情，例如利用超分辨率来提升实时视频中模糊图像的细节，给用户呈现更高清的视频效果，提高视觉体验；同时，由于网络传输线路上有丢包，接收的数据有失真，所以 AI 也被用来做算法补偿，提升传输质量。
超分辨率是通过深度学习来增强其分辨率，进而改善实时视频图像质量的技术。为什么需要这项技术呢？因为尽管现在用户都在高分辨率模式下获取图像，但在实时传输过程中，视频编码器可能会降低分辨率，以匹配可用带宽和性能限制。由于这个处理机制，导致图像质量通常会低于实际拍摄的质量。而超分辨率的目的就是将视频质量恢复到原始状态。
超分辨率在整个实时音视频传输过程中属于后处理中的一步。视频源经过编码在网络上传输，解码器收到后经过解码出来是一个相对模糊的图像，经过超分辨率处理把细节提升或者放大，再显示出来。
现在很多的实时视频场景都发生在移动设备上，所以对于一个深度学习算法模型来讲，需要模型体量尽量要小，这就需要面对三个主要的挑战：
- 模型能够实时运行于移动设备上，且尽量降低功耗，避免引起发热等问题。
- 模型小，但性能要好，可以得到足够好的结果。
- 训练要能够基于比较合理数量的数据集。
我司的首席科学家钟声曾在 上海的 DevFest 活动和美国的 Kranky Geek 上分享过相关话题的演讲。如果你希望深入了解，可以查看我们过去的分享。
除了超分辨率，开发者们还可以利用无监督学习来分析通过 WebRTC 的RTCStats接口收集到的数据，从而来确定影响通话质量的原因。也可以用 TensorFlow 来分析并规范化 MOS 数据。
上图所示是一个常规的降噪算法的处理逻辑，但在以后，，Mozilla 曾推出过一个 RNNoise Project，利用了深度学习，帮助 WebRTC 用户，特别是在嘈杂环境中进行多方通话的用户实现更好的降噪效果。他们也在官方提供了一个 Sample，与 Speexdsp 的降噪效果进行对比。在 Sample 中，他们模拟了人在马路旁、咖啡馆中、车上的通话效果，然后用不同的方式进行降噪处理。你会明显听出，通过 RNNoise 降噪后，无人说话时几乎听不到噪声，而在有人说话时，还是会有轻微的噪音掺杂进来。如果你感兴趣，可以去搜搜看，体验一下。你可以在 xiph 的 Github 中找到它的代码。尽管这只是一个研究项目，但提供了一种很好的改进思路。
尽管举了这么多的研究案例与开源项目，但 AI 在 RTC 行业的应用还只是刚刚开始。