วิธีการที่ AI แก้ปัญหา ‘ปาร์ตี้ค็อกเทล’ และผลกระทบต่อเทคโนโลยีเสียงในอนาคต

ลองนึกภาพว่าคุณอยู่ในงานที่มีคนเยอะ มีเสียงและเสียงพื้นหลัง แต่คุณสามารถมุ่งความสนใจไปที่การสนทนากับคนตรงหน้าคุณได้ ความสามารถในการแยกเสียงเฉพาะออกจากเสียงพื้นหลังที่เสียงดังนี้เรียกว่า ปัญหาปาร์ตี้ค็อกเทล ซึ่งเป็นคำที่นักวิทยาศาสตร์ชาวอังกฤษ คอลิน เชอร์รี่ ตั้งขึ้นในปี 1958 เพื่ออธิบายความสามารถที่น่าประทับใจของสมองมนุษย์ นักวิจัย AI ได้พยายามเลียนแบบความสามารถของมนุษย์ด้วยเครื่องจักรมาเป็นเวลาหลายทศวรรษ แต่ยังคงเป็นงานที่ท้าทาย อย่างไรก็ตาม การพัฒนาล่าสุดในด้านปัญญาประดิษฐ์กำลังสร้างความก้าวหน้าใหม่ๆ โดยให้คำตอบที่มีประสิทธิภาพสำหรับปัญหา này ซึ่งจะนำไปสู่การเปลี่ยนแปลงที่สำคัญในเทคโนโลยีเสียง ในบทความนี้ เราจะสำรวจว่า AI กำลังพัฒนาอย่างไรในการแก้ปัญหาปาร์ตี้ค็อกเทล และผลกระทบที่อาจเกิดขึ้นต่อเทคโนโลยีเสียงในอนาคต ก่อนที่จะพูดถึงว่า AI แก้ปัญหาได้อย่างไร เราต้องเข้าใจก่อนว่ามนุษย์แก้ปัญหาได้อย่างไร

วิธีการที่มนุษย์แก้ปัญหาปาร์ตี้ค็อกเทล

มนุษย์มีระบบการได้ยินที่เป็นเอกลักษณ์ซึ่งช่วยให้เราสามารถรับมือกับสภาพแวดล้อมที่มีเสียงดังได้ สมองของเราทำงานโดยใช้ข้อมูลจากทั้งสองหูเพื่อตรวจจับส่วนต่างเล็กน้อยในเรื่องเวลาและเสียง ซึ่งช่วยให้เราสามารถตรวจจับตำแหน่งของเสียงได้ ความสามารถนี้ทำให้เราสามารถหันไปหาคนที่เราต้องการฟังได้ แม้ว่าจะมีเสียงอื่นๆ ที่แข่งขันกันเพื่อความสนใจ
นอกเหนือจากการที่เราได้ยินแล้ว ความสามารถทางความคิดของเรายังช่วยเพิ่มกระบวนการนี้อีกด้วย ความ chú ýแบบเลือกสรรช่วยให้เรากรองเสียงที่ไม่เกี่ยวขาออกไป ทำให้เราสามารถมุ่งความสนใจไปที่ข้อมูลที่สำคัญ ในขณะที่บริบท ความจำ และสัญญาณภาพ เช่น การอ่านจาก губ ช่วยให้เราแยกคำพูดออกจากเสียงพื้นหลัง ระบบการประมวลผลที่ซับซ้อนและประสาทสัมผัสนี้มีประสิทธิภาพมาก แต่การจำลองระบบนี้ให้กับปัญญาประดิษฐ์ยังคงเป็นงานที่ท้าทาย

ทำไมปัญหาปาร์ตี้ค็อกเทลยังคงเป็นเรื่องที่ท้าทายสำหรับ AI?

ตั้งแต่ผู้ช่วยเสมือนจริงที่ตระหนักคำสั่งของเราที่ร้านกาแฟที่มีคนเยอะ ไปจนถึงเครื่องช่วยฟังที่ช่วยให้ผู้ใช้สามารถมุ่งความสนใจไปที่การสนทนาเพียงอย่างเดียว นักวิจัย AI ได้พยายามเลียนแบบความสามารถของสมองมนุษย์ในการแก้ปัญหาปาร์ตี้ค็อกเทล การค้นหานี้นำไปสู่การ разработาเทคนิค เช่น การแยกแหล่งกำเนิดเสียงแบบ盲 (BSS) และการวิเคราะห์องค์ประกอบอิสระ (ICA) ซึ่งออกแบบมาเพื่อระบุและแยกแหล่งกำเนิดเสียงที่แตกต่างกันเพื่อการประมวลผลแต่ละรายการ แม้ว่าเทคนิคเหล่านี้จะแสดงให้เห็นถึงความหวังในสถานการณ์ที่ควบคุมได้ – โดยที่แหล่งกำเนิดเสียงคาดการณ์ได้และไม่ chồngชั้นกันมากนักในเรื่องความถี่ – แต่ก็ยังคงท้าทายเมื่อต้องแยกเสียงที่ทับซ้อนกันหรือแยกแหล่งกำเนิดเสียงเพียงอย่างเดียวในเวลาจริง โดยเฉพาะอย่างยิ่งในสถานการณ์ที่มีการเปลี่ยนแปลงและไม่คาดคิด สาเหตุหลักมาจากการที่ไม่มีความลึกทางประสาทสัมผัสและบริบทที่มนุษย์ใช้โดยธรรมชาติ โดยไม่มีสัญญาณเพิ่มเติม เช่น สัญญาณภาพหรือการคุ้นเคยของโทนเสียง AI จึงเผชิญกับความท้าทายในการจัดการกับเสียงที่ซับซ้อนและวุ่นวายที่พบในสภาพแวดล้อมในชีวิตประจำวัน

วิธีการที่ WaveSciences ใช้ AI เพื่อแก้ปัญหา

ในปี 2019 WaveSciences บริษัทที่ตั้งอยู่ในสหรัฐอเมริกาที่ก่อตั้งโดยวิศวกรไฟฟ้า คีธ แม็คเอลวีน ในปี 2009 ได้ทำการผ่าทางในเรื่องการแก้ปัญหาปาร์ตี้ค็อกเทล ด้วยการสร้าง Spatial Release from Masking (SRM) ซึ่งใช้ AI และฟิสิกส์ของการแพร่กระจายเสียงเพื่อแยกเสียงของผู้พูดออกจากเสียงพื้นหลัง เมื่อสมองมนุษย์ประมวลผลเสียงจากทิศทางที่แตกต่างกัน SRM ใช้ไมโครโฟนหลายตัวเพื่อจับคลื่นเสียงเมื่อพวกมันเดินทางผ่านพื้นที่
หนึ่งในความท้าทายที่สำคัญในกระบวนการนี้คือคลื่นเสียงที่สะท้อนและผสมกันอย่างต่อเนื่องในสภาพแวดล้อม ทำให้ยากที่จะแยกเสียงเฉพาะออกจากกันทางคณิตศาสตร์ แต่ด้วยการใช้ AI WaveSciences พัฒนา了一ีวิธีการที่จะระบุแหล่งกำเนิดของเสียงแต่ละเสียงและกรองเสียงพื้นหลังและเสียงของผู้พูดอื่นๆ ตามตำแหน่งที่อยู่ของพวกมัน ความสามารถในการปรับตัวนี้ทำให้ SRM สามารถจัดการกับการเปลี่ยนแปลงในเวลาจริง เช่น ผู้พูดที่เคลื่อนไหวหรือการแนะนำเสียงใหม่ ทำให้มีประสิทธิภาพมากกว่าวิธีการก่อนหน้าที่ต้องดิ้นรนกับธรรมชาติที่ไม่คาดคิดของสภาพแวดล้อมเสียงจริง ความก้าวหน้านี้ไม่เพียงแต่เพิ่มความสามารถในการมุ่งความสนใจไปที่การสนทนาในสภาพแวดล้อมที่มีเสียงดังเท่านั้น แต่ยังเปิดทางให้กับการพัฒนาที่สำคัญในเทคโนโลยีเสียงในอนาคต

ความก้าวหน้าในเทคนิค AI

ความก้าวหน้าล่าสุดในด้านปัญญาประดิษฐ์ โดยเฉพาะอย่างยิ่งในเครือข่ายประสาทลึก ได้ปรับปรุงความสามารถของเครื่องจักรในการแก้ปัญหาปาร์ตี้ค็อกเทลอย่างมาก อัลกอริทึมการเรียนรู้ลึกที่ได้รับการฝึกอบรมจากชุดข้อมูลขนาดใหญ่ของสัญญาณเสียงผสมมีความเชี่ยวชาญในการระบุและแยกแหล่งกำเนิดเสียงที่แตกต่างกัน แม้กระทั่งในสถานการณ์ที่เสียงทับซ้อนกัน โครงการเช่น BioCPPNet ได้แสดงให้เห็นถึงประสิทธิผลของวิธีการเหล่านี้โดยการแยกเสียงสัตว์ออกจากกัน ซึ่งบ่งชี้ถึงความสามารถในการใช้งานในบริบททางชีววิทยาอื่นๆ นอกเหนือจากคำพูดของมนุษย์ นักวิจัยได้แสดงให้เห็นว่าเทคนิคการเรียนรู้ลึกสามารถปรับให้เหมาะสมกับการแยกเสียงที่เรียนรู้ในบรรยากาศทางดนตรีให้กับสถานการณ์ใหม่ๆ ทำให้โมเดลมีความแข็งแกร่งมากขึ้นในสภาพแวดล้อมที่หลากหลาย
การสร้างรูปทรงประสาทใหม่เพิ่มความสามารถเหล่านี้โดยใช้ไมโครโฟนหลายตัวเพื่อมุ่งความสนใจไปที่เสียงจากทิศทางเฉพาะในขณะที่ลดเสียงพื้นหลังเทคนิคนี้ได้รับการปรับให้เหมาะสมโดยการปรับ焦点ตามสภาพแวดล้อมเสียงแบบไดนามิก นอกจากนี้ โมเดล AI ใช้การปิดบังตามเวลา-ความถี่เพื่อแยกแหล่งกำเนิดเสียงตามคุณลักษณะทางสเปกตรัมและเวลาเฉพาะของพวกมัน ระบบการระบุตัวตนผู้พูดที่ทันสมัยสามารถแยกเสียงและติดตามผู้พูดแต่ละคนได้ ทำให้การสนทนาที่มีระเบียบมากขึ้น AI สามารถแยกและเพิ่มเสียงเฉพาะได้อย่างแม่นยำยิ่งขึ้นโดยการรวมสัญญาณภาพ เช่น การเคลื่อนไหวของ губ พร้อมกับข้อมูลเสียง

การประยุกต์ใช้จริงของปัญหาปาร์ตี้ค็อกเทล

ความก้าวหน้าเหล่านี้ได้เปิดโอกาสใหม่ๆ สำหรับการพัฒนาทางเทคโนโลยีเสียง การประยุกต์ใช้จริงบางอย่าง ได้แก่:

• การวิเคราะห์ทางนิติวิทยาศาสตร์: ตามรายงานของ BBC เทคโนโลยีการรับรู้และจัดการเสียง (SRM) ถูกใช้ในห้องพิจารณาคดีเพื่อวิเคราะห์หลักฐานเสียง โดยเฉพาะในกรณีที่เสียงพื้นหลังทำให้การระบุผู้พูดและบทสนทนาของพวกเขาเป็นเรื่องที่ยาก แม้ว่าบันทึกเสียงในสถานการณ์ดังกล่าวอาจไม่สามารถใช้เป็นหลักฐานได้ แต่ SRM ได้พิสูจน์แล้วว่ามีคุณค่าในบริบททางนิติวิทยาศาสตร์ โดยสามารถถอดรหัสเสียงสำคัญสำหรับการนำเสนอในศาลได้
• หูฟังตัดเสียง: นักวิจัยได้พัฒนาระบบ AI ที่เรียกว่า Target Speech Hearing สำหรับหูฟังตัดเสียง ซึ่งช่วยให้ผู้ใช้สามารถเลือกเสียงของผู้พูดที่จะฟังได้ ในขณะที่ตัดเสียงอื่นๆ ออกไป ระบบนี้ใช้เทคนิคที่เกี่ยวข้องกับปัญหาปาร์ตี้ค็อกเทลเพื่อทำงานได้อย่างมีประสิทธิภาพบนหูฟังที่มีพลังการประมวลผลจำกัด ปัจจุบันอยู่ในขั้นต้น แต่ผู้สร้างกำลังพูดคุยกับแบรนด์หูฟังเพื่ออาจรวมเทคโนโลยีนี้เข้าด้วยกัน
• เครื่องช่วยฟัง: เครื่องช่วยฟังสมัยใหม่มักจะดิ้นรนในสภาพแวดล้อมที่มีเสียงดัง โดยไม่สามารถแยกเสียงเฉพาะออกจากเสียงพื้นหลังได้ แม้ว่าเครื่องเหล่านี้จะสามารถขยายเสียงได้ แต่ก็ขาดกลไกการกรองที่ทันสมัยซึ่งช่วยให้หูของมนุษย์สามารถมุ่งความสนใจไปที่การสนทนาเพียงอย่างเดียวได้ ข้อจำกัดนี้เป็นเรื่องที่ท้าทายโดยเฉพาะอย่างยิ่งในสถานการณ์ที่มีคนเยอะหรือมีการเปลี่ยนแปลงอย่างรวดเร็ว เช่น เสียงที่ทับซ้อนกันและระดับเสียงที่เปลี่ยนแปลงไปมา การแก้ปัญหาปาร์ตี้ค็อกเทลสามารถปรับปรุงเครื่องช่วยฟังโดยการแยกเสียงที่ต้องการออกจากเสียงพื้นหลัง
• โทรคมนาคม: ในโทรคมนาคม AI สามารถปรับปรุงคุณภาพการโทรโดยการกรองเสียงพื้นหลังและเน้นเสียงของผู้พูด นำไปสู่การสื่อสารที่ชัดเจนและเชื่อถือได้มากขึ้น โดยเฉพาะอย่างยิ่งในสภาพแวดล้อมที่มีเสียงดัง เช่น ถนนสายหลักหรือสำนักงานที่มีคนเยอะ
• ผู้ช่วยเสียง: ผู้ช่วยเสียงที่ใช้ AI เช่น Amazon’s Alexa และ Apple’s Siri สามารถทำงานได้ดีขึ้นในสภาพแวดล้อมที่มีเสียงดังและแก้ปัญหาปาร์ตี้ค็อกเทลได้อย่างมีประสิทธิภาพมากขึ้น ความก้าวหน้าเหล่านี้ช่วยให้อุปกรณ์สามารถเข้าใจและตอบสนองคำสั่งของผู้ใช้อย่างแม่นยำยิ่งขึ้น แม้กระทั่งระหว่างเสียงพื้นหลัง
• การบันทึกและแก้ไขเสียง: เทคโนโลยี AI สามารถช่วยวิศวกรเสียงในการแก้ไขเสียงหลังการบันทึกโดยการแยกแหล่งกำเนิดเสียงแต่ละแหล่งในเนื้อหาที่บันทึกไว้ ความสามารถนี้ช่วยให้ได้แทร็กที่สะอาดขึ้นและแก้ไขได้อย่างมีประสิทธิภาพมากขึ้น

สรุป

ปัญหาปาร์ตี้ค็อกเทล ซึ่งเป็นความท้าทายที่สำคัญในการประมวลผลเสียง ได้เห็นความก้าวหน้าที่น่าประทับใจผ่านเทคโนโลยี AI การพัฒนาอย่าง Spatial Release from Masking (SRM) และอัลกอริทึมการเรียนรู้ลึกกำลังเปลี่ยนแปลงวิธีที่เครื่องจักรแยกและแยกเสียงในสภาพแวดล้อมที่มีเสียงดัง ความก้าวหน้าเหล่านี้ปรับปรุงประสบการณ์ในชีวิตประจำวัน เช่น การสนทนาที่ชัดเจนยิ่งขึ้นในสภาพแวดล้อมที่มีคนเยอะ และฟังก์ชันการทำงานที่ดีขึ้นสำหรับเครื่องช่วยฟังและผู้ช่วยเสียง แต่ยังมีศักยภาพที่จะเปลี่ยนแปลงการวิเคราะห์ทางนิติวิทยาศาสตร์ โทรคมนาคม และการผลิตเสียงในอนาคต เมื่อ AI ต่อไปที่จะพัฒนา ความสามารถในการเลียนแบบความสามารถการได้ยินของมนุษย์จะนำไปสู่ความก้าวหน้าที่สำคัญมากขึ้นในเทคโนโลยีเสียง ซึ่งจะเปลี่ยนแปลงวิธีที่เราสนับสนุนเสียงในชีวิตประจำวันของเรา