An open-source voice type classifier for child-centered daylong recordings
本文提出了一种开源神经网络，其在对以儿童为中心的、多语言录音中的发声进行分类方面，表现优于最先进的 LENA 系统，从而促进了更准确的语言习得研究和早期诊断。
原始论文采用 CC BY 4.0 许可（http://creativecommons.org/licenses/by/4.0/）。 这是对下方论文的AI生成解释。它不是由作者撰写的。如需技术准确性，请参阅原始论文。 阅读完整免责声明
为了理解儿童是如何学习说话的，科学家们长期以来一直在倾听周围的世界。几十年来，研究人员依赖于短时间的录音或对家庭进行的短暂访问，希望能捕捉到孩子所听到的和使用的日常语言的一瞥。然而，这些片段往往无法呈现全貌，就像试图通过观察一天的景象来理解整个季节一样。如今，技术允许科学家将小型可穿戴录音设备系在儿童身上，从而捕捉他们从早到晚的一整天。这创造了丰富的、连续的音频流，揭示了孩子所经历的语音真实数量和多样性。然而，这种海量的数据也带来了新的挑战：计算机如何从数小时混乱的噪音、重叠的声音和婴儿的哭闹中理出头绪？为了将这些原始录音转化为有用的知识，研究人员需要一种能够自动对音频进行分类的方法，将孩子自身的声音与成年人和其他儿童的声音区分开来。
在一项新的研究中，一个研究团队开发了一个开源工具，旨在解决这个确切的问题。他们创建了一个计算机程序，可以聆听一整天的录音，并将每一刻都归入特定的类别：佩戴录音设备的儿童、附近的其它儿童、成年男性、成年女性或静默。研究人员收集了总计260小时的海量录音集，这些录音涵盖了十种不同的语言和各种现实世界的环境。他们利用这些多样化的数据来训练一个神经网络——一种受人类大脑启发的计算机系统——以识别这些不同的声音类型。他们的系统通过获取微小的音频块并直接分析原始声波来工作，学习识别区分父亲的声音与母亲的声音、或者幼儿的咿呀学语与陌生人闲聊的独特模式。
该团队将他们的新系统与目前的行业标准进行了对比，即一款名为LENA的商业软件，该软件已在无数关于儿童发展的研究中得到应用。虽然LENA非常有效，但它是一个封闭系统；其内部运作机制是隐藏的，且主要是在城市环境下美国英语儿童的录音上进行训练的。这种局限性意味着在面对不同的语言、文化或录音设备时，它可能会表现得力不从心。相比之下，新模型具有灵活性和透明度。研究人员发现，他们的系统显著优于现有的软件。在对一组从未见过的录音进行测试时，新模型在正确识别儿童自身声音、成年女性言语以及一般言语方面的准确度远高于商业替代品。它在检测其他儿童和成年男性声音方面也表现出了明显的进步，而后者在这些类别中经常出错。
研究人员成功的关键在于他们如何处理现实生活的复杂性。在繁忙的家庭中，声音经常重叠；母亲可能在说话的同时孩子正在哭泣，或者两个成年人可能同时在交谈。商业系统将这些时刻视为一个单一且混乱的类别，但新模型的设计初衷是能够识别出多个声音可以同时存在。通过使用包含来自许多不同文化的这些杂乱、重叠时刻的数据进行训练，该系统学会了更有效地理清音频。研究人员还发现，在实验室内环境下（即儿童孤立地表达单词时）录制的音频，实际上损害了模型理解现实世界对话的能力。通过从训练数据中剔除这些人工示例，系统在处理日常生活中自发且不可预测的特性方面变得更加出色。
其结果是一个强大且免费提供的工具，它允许科学家以更高的精度和更少的偏见来分析儿童语言发展。由于其代码是开源的，其他研究人员可以检查其运作方式、对其进行改进，并将其应用于自己的研究。这项工作代表了弥合语音技术与儿童语言学习研究之间鸿沟的重要一步。通过提供一种更准确的方法来衡量儿童所听到的语音的数量和质量，新系统有望帮助科学家更好地理解人类沟通的基础，并可能有助于发育挑战的早期诊断。该研究证实，只要拥有正确的数据和灵活的方法，机器就可以像我们多年来依赖的工具那样，甚至在某些情况下比它们更好地去聆听儿童世界中那复杂而美丽的嘈杂声。
您所在领域的论文太多了？
获取与您研究关键词匹配的最新论文每日摘要——附技术摘要，使用您的语言。