Alexa是如何区别用户和电视广告中呼喊Alexa的声音？AWS近日在自家部落格中公开这个谜题，AWS语音研究团队收集了数千个广告中提及Alexa的录音档，透过声学指纹辨识技术，让Alexa学会忽视这些广告中提及Alexa的声音，防止Alexa对电视中的广告或是恶作剧做出回应。
AWS的方法是用典型的声学指纹算法，来配对预先输入的语音录音文件，该算法是针对语音失真和干扰的问题所设计，就像那些电视主持人讲的话、家中的环境音和麦克风的杂音， 若接收到的音文件经过系统辨识后，找到匹配项，系统则会忽略传入的请求。为了能够准确的辨识出请求，AWS建立了多层的语音声纹辨识系统，分别在多个阶段建置辨识功能，首先在设备端上，大多数的Echo设备收到Alexa这个唤醒词后，会先与广告中提及Alexa的数据集进行比对，来检查请求是否来自于广告，但是由于设备CPU的限制，AWS只能在设备端检查电视上广告的音文件。
接着，AWS云端则会以两种方式检查每个Alexa唤醒词的请求，分别是来自于已知的媒体和未知的媒体，系统会用已知媒体的大量声纹数据，针对请求的唤醒词再次检验，第二种方式则是将在同一时间，2个以上不同用户的装置收到一样指令的情况，认定为媒体事件。理想上，Echo装置能够用这些预存的声纹辨识出来自媒体的音文件，不会唤醒Alexa，但是若Alexa真的被媒体的声音唤醒，在云端辨识认为为媒体事件后，装置会快速且默默地关闭。除了持续追踪媒体新增的Alexa唤醒词，来更新AWS的声纹比对数据库之外，AWS研究团队正在改善声纹辨识系统的准确率和效率，此外，AWS还正在研究可以用在区分媒体和人类声音问题的相关技术，像是机器学习技术。内文来源至：乐爱公益平台 http://pctchp.org.tw/
原文地址：http://blog.51cto.com/13355233/2348461