隨著 4G、5G通信技術(shù)發(fā)展，網(wǎng)絡(luò)通話越來越盛行。但是網(wǎng)絡(luò)不穩(wěn)定是常態(tài)，所以通話中我們時(shí)不時(shí)可能會(huì)蹦出一句，“你能再重復(fù)一遍嗎，剛剛網(wǎng)絡(luò)不太好。”為了提高通話質(zhì)量，谷歌近期在視頻聊天應(yīng)用 Duo 中應(yīng)用了一種新技術(shù) WaveNetEQ ，在出現(xiàn)音頻丟包情況時(shí)，該技術(shù)會(huì)判斷丟失的音頻數(shù)據(jù)可能是什么，并替換掉它。

背后的技術(shù)支持來自谷歌聲名在外的 DeepMind 團(tuán)隊(duì)。

一個(gè)完整的在線呼叫，數(shù)據(jù)經(jīng)常會(huì)被分成多個(gè)小塊，每小塊就是一個(gè)數(shù)據(jù)包 packet 。然而，在這些“數(shù)據(jù)包”從發(fā)送方傳輸?shù)浇邮辗降倪^程中，數(shù)據(jù)包通常會(huì)以錯(cuò)誤的順序到達(dá)，從而產(chǎn)生抖動(dòng)相關(guān)問題，或者直接丟失，造成音頻空白。

谷歌給出一份資料顯示， Duo 99% 的通話都有數(shù)據(jù)包丟失、過度抖動(dòng)或網(wǎng)絡(luò)延遲情況。20% 的通話丟失了超過 3% 的音頻，10% 的通話丟包率超過 8% ，也就是說每次通話都有很多音頻需要替換。

每個(gè)視音頻 app 都會(huì)用某種方式處理丟包。谷歌表示，這些數(shù)據(jù)包丟失隱藏 （PLC） 過程可能很難更好地填補(bǔ) 60 毫秒或更長時(shí)間的空白。過去常用算法是 NetEQ ，這是 webRTC 中音頻技術(shù)方面的兩大核心技術(shù)之一（另一核心技術(shù)是音頻的前后處理，包括AEC、ANS、AGC等）。webRTC 是谷歌收購 GIPS 再開源的，是目前影響力極大的實(shí)時(shí)音視頻通信解決方案，但用它處理丟包，大多情況下聽起來像機(jī)器人或機(jī)械重復(fù)。

谷歌就用了大量的語音數(shù)據(jù)，訓(xùn)練出了基于 DeepMind WaveRNN 技術(shù)的 WaveNetEQ 模型。訓(xùn)練數(shù)據(jù)集來自 100 多名、48 種不同語言的志愿者，也就是說它可以自動(dòng)填補(bǔ) 48 種語言的丟包情況。

WaveNetEQ 是一種用于語音合成的遞歸神經(jīng)網(wǎng)絡(luò)模型，由兩部分組成，即自回歸網(wǎng)絡(luò)（autoregressive network）和條件網(wǎng)絡(luò)（conditioning network）。自回歸網(wǎng)絡(luò)的作用是保持信號的平穩(wěn)流動(dòng)，而條件網(wǎng)絡(luò)控制和影響自回歸網(wǎng)絡(luò)以保持音頻一致性。

谷歌用 WaveNetEQ 取代了原來的 NetEQ PLC 組件，相對于 NetEQ ，它在聲音質(zhì)感方面無疑有提升，而且 WaveNetEQ 模型跑得足夠快，可以在手機(jī)上運(yùn)行，如此也可以規(guī)避用戶可能擔(dān)心的數(shù)據(jù)隱私問題。谷歌稱所有的處理都是在設(shè)備上進(jìn)行，因?yàn)?Duo 的通話默認(rèn)情況下就是端到端加密。一旦通話的真實(shí)音頻恢復(fù)，將無縫地切換到現(xiàn)實(shí)對話。

不過，WaveNetEQ 替換的內(nèi)容和時(shí)長有限制。目前是支持在 120 毫秒以內(nèi)的空白，之后會(huì)逐漸消失并歸零；WaveNetEQ 不是生成完整的單詞，而是簡單的音節(jié)。

目前 WaveNetEQ 已經(jīng)應(yīng)用到 Pixel 4 手機(jī)上的 Duo APP 中，谷歌表示，它正在將其推廣到其他安卓手機(jī)上。

當(dāng)然用機(jī)器學(xué)習(xí)處理音頻丟包并不是頭一遭，許多公司都在研究相關(guān)技術(shù)，以國內(nèi)公司為例，有些是自身業(yè)務(wù)本就涉及視音頻，比如騰訊；有些是音視頻云服務(wù)商，比如阿里，還有一些是專門的音視頻第三方服務(wù)商如聲網(wǎng)等。
責(zé)任編輯：wv