近日，在第六屆國際權(quán)威聲學(xué)場景和事件檢測及分類競賽 (Detection and Classification of Acoustic Scenes and Events, DCASE 2020) 中，騰訊多媒體實(shí)驗(yàn)室天籟音頻研究團(tuán)隊(duì)首次參加了聲學(xué)場景識別 (Acoustic Scene Classification, Task 1) 任務(wù)競賽，并從47支來自全球頂尖學(xué)術(shù)界和工業(yè)界的聲學(xué)研究隊(duì)伍中脫穎而出，取得雙項(xiàng)指標(biāo)國內(nèi)第一、國際第二的成績。

此次參賽是騰訊多媒體實(shí)驗(yàn)室領(lǐng)銜美國佐治亞理工大學(xué)信號與信息處理中心實(shí)驗(yàn)室，中國科技術(shù)大學(xué)語音及語言信息處理國家工程實(shí)驗(yàn)室聯(lián)合參與，從最終評估的結(jié)果上看，在綜合Task 1a (不限制聲學(xué)模型大小評估識別性能)與 Task 1b (限制模型大小條件下評估識別性能)兩個(gè)任務(wù)中，取得了綜合第一名的成績，在兩個(gè)子任務(wù)中分別位列第二名，與第一名分?jǐn)?shù)相比僅差0.3%。

DCASE 比賽是由倫敦瑪麗女王大學(xué)（Queen Mary University of London）在2013年首次發(fā)起的聲學(xué)場景識別挑戰(zhàn)，后續(xù)由坦佩雷理工大學(xué)(Tamper University of Technology)持續(xù)發(fā)起，近些年引起了國內(nèi)外眾多尖端聲學(xué)研究界的廣泛關(guān)注，包括谷歌、紐約大學(xué)等。

本次DCASE 2020比賽，共設(shè)置六個(gè)任務(wù)，包括聲學(xué)場景識別、異常機(jī)器聲音的非監(jiān)督識別、聲學(xué)事件檢測、聲學(xué)事件分離、城市聲音標(biāo)記和自動(dòng)為音頻生成標(biāo)題紀(jì)要，吸引了包括亞馬遜、英特爾、高通驍龍等國際公司和清華大學(xué)、新加坡南洋理工大學(xué)、香港中文大學(xué)等頂級高校的共138 個(gè)隊(duì)伍、473個(gè)有效系統(tǒng)參賽。

其中，多媒體實(shí)驗(yàn)室所參加的聲學(xué)場景識別任務(wù) (Task 1)，共有47支隊(duì)伍與179個(gè)提交系統(tǒng)參與，是所有任務(wù)中參賽隊(duì)伍最多、提交系統(tǒng)最多、競爭程序最激烈的任務(wù)。清華大學(xué)、北京大學(xué)(深圳)、新加坡南洋理工大學(xué)等國內(nèi)外頂級高校，以及高通人工智能研究院(首爾)、 美國 Intel 研究院(加利福尼亞)等知名通信、科技公司均在其中。

Task 1包含了兩個(gè)子任務(wù)，子任務(wù)task 1a的聲學(xué)場景識別系統(tǒng)要求識別不同終端設(shè)備，比如手機(jī)、ipad或其它錄音設(shè)備采集的音頻，識別成不同的類別。如下圖（左）所示，將不同設(shè)備不同場景采集的信號正確分類成“地鐵站”、“公園”和“公共廣場”。采用不同設(shè)備來評估場景識別系統(tǒng)就是為了驗(yàn)證系統(tǒng)對多種設(shè)備的魯棒性。子任務(wù)task 1b的聲學(xué)場景識別系統(tǒng)限制性的將模型大小壓縮在500k以內(nèi)，在此條件下，需要場景識別系統(tǒng)盡可能高效的識別“室內(nèi)”、“室外”、“交通”這三種常見的聲學(xué)大場景。 這里對聲學(xué)模型大小提出要求的初衷就是為了更好地將現(xiàn)有科學(xué)研究方法迅速轉(zhuǎn)換成可以真正意義的落地產(chǎn)品，以克服設(shè)備上運(yùn)行深度學(xué)習(xí)網(wǎng)絡(luò)高CPU消耗的難題。

本次聲學(xué)場景識別任務(wù)，涵蓋機(jī)場、室內(nèi)購物、地鐵站臺、街道行人、公共廣場等10個(gè)通用聲學(xué)場景。在現(xiàn)實(shí)生活中，這些通用聲學(xué)場景，通常同時(shí)存在多個(gè)聲音，并且會被環(huán)境噪聲干擾。此次任務(wù)，通過研究來識別真實(shí)場景的聲音場景和聲音事件，對于讓聲音場景識別應(yīng)用落地具有重要意義。

聲學(xué)場景識別就是利用機(jī)器學(xué)習(xí)模仿人腦，對周邊的環(huán)境進(jìn)行有效及時(shí)的判斷。隨著深度學(xué)習(xí)的高度演化，聲學(xué)場景識別的正確率有了飛躍提升。高識別率的場景識別系統(tǒng)則更進(jìn)一步擴(kuò)大其在生活中的應(yīng)用場景。如智能“嬰兒哭聲”監(jiān)控，可以有效幫助父母及時(shí)照看突然驚醒孩子，“槍聲場景檢測”可以應(yīng)用在各類安防設(shè)備上，“鳥類啼叫場景”檢測可以有效監(jiān)測自然界生態(tài)的變化，“馬路上警笛場景”檢測可提醒路行人及車輛讓出交通空間，“地鐵”場景檢測和“睡眠質(zhì)量監(jiān)測”等。

實(shí)際上，DCASE2020的聲學(xué)場景識別任務(wù)，與多媒體實(shí)驗(yàn)室自研的音視頻實(shí)時(shí)通信產(chǎn)品——“騰訊會議”中的聲學(xué)場景識別落地應(yīng)用最為貼近?；陬I(lǐng)先的騰訊天籟音頻解決方案，騰訊會議可以讓不同地點(diǎn)、場景、設(shè)備終端同時(shí)遠(yuǎn)程接入，讓遠(yuǎn)程在線溝通可行高效。但由于不同入會者處的場景環(huán)境千變?nèi)f化，或在安靜辦公室，或在嘈雜的公共場所，不同場景需要對音頻流進(jìn)行不同處理。如會議入會方檢測到街道環(huán)境，需要對風(fēng)聲和交通噪音進(jìn)行處理；如在開重要會議，如果某參會方所處嘈雜聲學(xué)場景并忘記關(guān)閉麥克風(fēng)，系統(tǒng)可提醒主持人或自動(dòng)禁止嘈雜端麥克風(fēng)；如檢測到音樂場景，則不啟動(dòng)降噪算法，保證音樂可以高質(zhì)量的傳輸?shù)綄Χ?；如檢測到漏回聲場景，特別是一些移動(dòng)端設(shè)備大音量外放聲音時(shí)，可以開啟殘留回聲消除算法。

作為騰訊頂級的科技實(shí)驗(yàn)室之一，騰訊多媒體實(shí)驗(yàn)室將繼續(xù)致力于端到端實(shí)時(shí)語音通信、音頻引擎、音頻處理、音頻場景事件檢測識別等業(yè)界領(lǐng)先的人人通信基礎(chǔ)理論，加大在關(guān)鍵技術(shù)和應(yīng)用系統(tǒng)的研究和開發(fā)的投入，提供基于云和客戶端的多種行業(yè)解決方案，讓聲學(xué)場景識別更廣泛落地應(yīng)用。