TMT观察网_独特视角观察TMT行业

文|雷宇|智能相對論（aixdlun）

人民對性的態(tài)度向來很奇怪，父母和長輩期待子女能無師自通，教育者三緘其口，最后少男少女通過其他渠道實現(xiàn)了對性的初級摸索，當(dāng)然這個摸索過程就很曲折了，文字，圖片，視頻和音頻遍地開花，“學(xué)習(xí)資料”越來越方便傳播。

食也性也，但傳播色情內(nèi)容卻有極大的負(fù)外部效應(yīng)，懵懂少男少女極易受其蠱惑，鑒黃師的重要性可想而知。在蘋果商店的社交App中，有超過1/10的應(yīng)用主打聲音社交功能，由此催生出了一個新興職業(yè)——聲音鑒黃師。聲音鑒黃師是一個讓身心飽受摧殘的職業(yè)，一位女性聲音鑒黃師稱，“一個人平均一天需要鑒定4000條信息，24小時輪班監(jiān)控，各種葷段子、曖昧語音，有時（聽到）惡心想吐。”

聲音鑒黃師是一份不足以為外人道也的工作

由于這份工作實在是太過于枯燥，很多男生都受不了，因此聲音鑒黃師多為女性且離職率高。一般枯燥且重復(fù)率高的工作都是AI的拿手好戲，那么AI有沒有辦法實現(xiàn)聲音鑒黃呢？

聲音鑒黃之殤，AI難以克服雞尾酒效應(yīng)

視頻，圖片和語音是色情內(nèi)容常見的三種形式，多數(shù)公司的鑒黃都是立足于視頻和圖片，比如阿里的阿里綠網(wǎng)、騰訊的萬象優(yōu)圖等等。有人可能會疑問，這幾年科大訊飛、百度、騰訊等公司先后對外公布語音識別準(zhǔn)確率均達(dá)到“97%”，那為什么在AI語音鑒黃上那么難？

這是因為社交平臺的語音環(huán)境十分復(fù)雜，機器很難從龐大雜亂的語音中揪出涉黃涉暴人員，而這就不得不提雞尾酒效應(yīng)了。所謂雞尾酒效應(yīng)是指，在雞尾酒會嘈雜的人群中，盡管周圍噪聲很大，兩人可以順利交談，你們似乎聽不到談話內(nèi)容以外的各種噪音。這是因為我們的大腦對聲音都進(jìn)行了某種程度的預(yù)判，然后才決定聽或不聽。

用特瑞斯曼的注意衰減理論來解釋就是，當(dāng)人的聽覺注意集中于某一事物時，意識將一些無關(guān)聲音刺激排除在外，而無意識卻監(jiān)察外界的刺激，一旦一些特殊的刺激與己有關(guān)，就能立即引起注意的現(xiàn)象。

但是機器卻不具備這樣意識和無意識，因此難以實現(xiàn)在嘈雜環(huán)境下的語音識別，這樣看來AI語音鑒黃貌似已經(jīng)走進(jìn)了死胡同。

實際上，已有公司在解決雞尾酒效應(yīng)上做出了努力。今年4 月，Google曾在博客上發(fā)文稱，谷歌研究人員開發(fā)出了一種深度學(xué)習(xí)系統(tǒng)，可識別和分離出嘈雜環(huán)境中的個體聲音。

圖片來自網(wǎng)易科技

研究人員從YouTube上10萬段“講座和談話”視頻中提取了近2000小時的視頻片段，然后混合音頻與人工背景噪聲，創(chuàng)造“雞尾酒派對”。訓(xùn)練技術(shù)人員將混合音頻進(jìn)行拆分，谷歌的系統(tǒng)能夠分辨出哪個音頻源在給定的時間內(nèi)屬于哪張人臉，并為每個揚聲器創(chuàng)建單獨的語音軌跡。

但Google的技術(shù)集中在視頻處理上，主要是對數(shù)段聲音的分離，而人工聲音鑒黃僅僅依靠聲音，有所不同。前不久，阿里AI語音反垃圾服務(wù)上線公測，它可以通過聲紋識別技術(shù)，識別語音中存在的涉黃、廣告等違規(guī)信息，不管是中日英俄等語言，還是東北，四川，廣東的方言，甚至連無意義的呻吟聲都可以輕松判別。

具體辦法是，對那些有語義的內(nèi)容，系統(tǒng)先將語音識別轉(zhuǎn)成文字，然后再將這些文字跟文本反垃圾模型或關(guān)鍵詞庫比對，判斷是否涉黃，對那些無語義的聲音，通過聲紋也能識別出來。但有一點值得注意的是，在語音識別的過程中，識別是哪種語言比內(nèi)容更難，機器翻譯也存在這樣的問題，因此還需要大量數(shù)據(jù)來進(jìn)行訓(xùn)練學(xué)習(xí)。

做好嘈雜環(huán)境的語音識別，難點是如何將雜音與人聲分離。但對于聲音鑒黃而言，一開始并不知道哪一個音源涉黃，很難說誰是噪音，這需要機器具有全局觀。而上面提到的技術(shù)，聲音分離或者將語音識別轉(zhuǎn)成文字都只是基本，由于尚未在語音復(fù)雜的環(huán)境下試驗過，因此這個結(jié)果嘛……退一萬步講，社交黑話也并不是那么好破譯的。

社交黑話難解，語音識別障礙重重

時代要拋棄你，它只會讓你看不懂，而我們也不能指望人工智能聽懂。

就像你爹媽當(dāng)初看不懂你的那句簽名：”ァ亊實證明，鱤綪桱淂起fеηɡ雨，卻桱囨起平啖；伖綪桱淂起平啖，卻桱囨起fеηɡ雨。ヤ”（沒亂碼），新一代社交黑話崛起一般人也很難看懂，比如XSWL（笑死我了，相當(dāng)于一連串哈哈哈），NSS（暖說說，指幫點贊評論轉(zhuǎn)發(fā)說說，增進(jìn)感情），CQY（處Q友的縮寫，想在QQ上找朋友的意思）。

當(dāng)然這也還算好的，無非就是縮寫。除了縮寫，還有一些只能強記的詞語。比如養(yǎng)火（互發(fā)消息三天出現(xiàn)小火花，互發(fā)消息超過三十天出現(xiàn)大火花，養(yǎng)火就是經(jīng)常聯(lián)系的意思），歐洲（想要什么就得到什么的人）……

估計研究人員在錄入數(shù)據(jù)時就陣亡了，畢竟這玩意看上去也不算有章可循。值得注意的是，當(dāng)人們在說話的時候，如果省略一兩個字不說，懂得的人自然也懂，但機器不一定能識別人們甚至為了混淆視聽，會多語夾雜，這就給機器識別增添了難度。

這種輸入標(biāo)準(zhǔn)的不統(tǒng)一，是導(dǎo)致語音識別錯誤率高的首要原因。我們常用的鼠標(biāo)和鍵盤雖然看似簡單，但它具備統(tǒng)一的輸入標(biāo)準(zhǔn)和精準(zhǔn)的視覺反饋這兩點，而這正是語音識別技術(shù)不具備的，也是困擾現(xiàn)階段AI鑒黃的一大挑戰(zhàn)。

毫不意外，現(xiàn)階段的聲音鑒黃師依然是以人為主。早在互聯(lián)網(wǎng)發(fā)展早期，黃色內(nèi)容主要是圖片和文字，靠人工就可以凈化網(wǎng)絡(luò)環(huán)境的目的，但是隨著互聯(lián)網(wǎng)帶來的數(shù)據(jù)爆炸，人工已經(jīng)遠(yuǎn)遠(yuǎn)不能勝任。

雖然聲音鑒黃以人為本，但這并不意味著AI鑒黃師沒有價值。它能在特定的場景實現(xiàn)鑒定也無疑算是一種進(jìn)步，而現(xiàn)階段它所呈現(xiàn)的問題，也無疑是技術(shù)發(fā)展過程中難以避免的陣痛。

全球經(jīng)濟(jì)學(xué)家和咨詢公司的主流研究課題，總少不了人工智能會引發(fā)的失業(yè)規(guī)模，但是中國的互聯(lián)網(wǎng)已經(jīng)跑出了一條獨特的路線，因此針對中國的研究少之又少。聲音鑒黃師作為互聯(lián)網(wǎng)發(fā)展過程中的獨特產(chǎn)物，顯然會存在相當(dāng)長一段時間，而現(xiàn)行的人工智能鑒黃也多為輔助人。

一句正確但無用的話是，可以想見未來AI鑒黃會占據(jù)主流，但這個未來應(yīng)該以哪個時間節(jié)點為基準(zhǔn)，誰也無法預(yù)料。

智能相對論（微信id:aixdlun）：深挖人工智能這口井，評出咸淡，講出黑白，道出vb深淺。重點關(guān)注領(lǐng)域：AI+醫(yī)療、機器人、智能駕駛、AI+硬件、物聯(lián)網(wǎng)、AI+金融、AI+安全、AR/VR、開發(fā)者以及背后的芯片、算法、人機交互等。