视频直播、语音聊天、音乐社交，这些与“声音”有关的社交场景在近两年来越来越热，也吸引了很多内容创作者和用户。不过，与之相关的语音内容审核一直是令很多平台头痛的问题。这也让那些“每天听 4000 条语音”的声音鉴黄师上了头条。而现在，市场上已经有一些厂商开始提供智能语音鉴黄服务了，大幅减轻了人工鉴黄的工作量。
不过，对于社交产品团队来讲，现有的语音内容审核 + 实时音视频服务，部署、调试、运维的成本高，而且很多方案对有背景音乐、噪声的音频识别效果差。为了解决这个问题，我们正式推出声网 Agora 一站式智能语音识别方案。
现有的方案都是如何实现的呢？
一般来讲，一个社交产品需要对接三种厂商：CDN 厂商，用来推流、拉流，实现普通的直播；RTC 厂商，用来实现低延时的实时互动直播；内容审核厂商，通过 AI、人工进行审核。接入的架构基本如下图所示，可简单概括为三步：
- 内容经过转码或直接推流至 CDN；
- 内容审核厂商从 CDN 拉流，然后进行 AI 、人工内容审核；
- 完成审核后，传回给服务器端。
这种旧方式带来的问题显而易见。首先，开发者需要对接三个厂商，要进行多次部署、调试，其中有很多调试的成本与风险。而且，当 CDN 出现故障时，需要较长时间来排查问题。另外，在这个过程中，开发者还需要支付额外的拉流成本。
另一方面，目前的方案还需要解决噪声问题。因为音频社交有很多种场景，比如语音 FM、语音聊天室、音乐社交、娱乐直播，这些场景常常伴有环境噪声和背景音乐，会影响现有内容审核方案的识别率。
声网 Agora 一站式智能语音识别方案
声网现已提供业界独有的一站式智能语音识别方案。如上图架构所示，开发者只需要在应用中集成声网 Agora SDK，即可让音频在 Agora SD-RTN™ 网络中实时传输的过程中完成语音内容识别与审核。我们在原有的实时语音互动直播的基础上，整合了业界 Top 3 语音识别服务。同时，基于声网的 AI 音频降噪引擎，来提高音频质量，优化语音识别效果。
语音识别的流程如下图所示。首先通过声网独家研发的 AI 音频降噪引擎消除背景音，优化音频质量，让语音更加清晰。我们在网络电台、语音交友等互联网平台听到的语音音频通常有两类，一类是普通的语音，另一类是非文字的声音，如娇喘和 ASMR，后者是不存在任何语义的。所以我们会通过不同的模块来检测，将语音转化为文字通过内容安全引擎进一步过滤，结合“多意义上下文短文本垃圾检测”、“Deep Learning 垃圾检测”、“规则引擎”和“分类器”等模块，过滤掉音频中涉政、涉黄（包括娇喘、ASMR）、暴恐、辱骂等违规内容。人工审核团队可以通过 Web 端后台，对机器审核的结果进行抽查和复审，不断优化机器审核的准确率。这一过程可以大幅降人工审核成本，提升效率。
目前该解决方案可检测出广告、涉黄、涉政、暴恐、谩骂等违规内容，适用于视频直播、语音聊天室、娱乐直播、语音 FM、音乐社交等实时音视频社交互动场景。
声网 Agora 一站式智能语音识别方案优势包括：
1 调用 RESTful API，一站式接入
声网 Agora 目前提供了实时音频通话 SDK。在应用中集成 Agora SDK 后，开发者可以通过调用 RESTful API，即可为自己的应用增加语音内容审核服务。相比传统内容审核方案，声网方案可以节省开发时间、服务器等接入成本。
2 AI 降噪，识别率更高
面对语音识别中常见的噪声、背景音乐等音质问题。我们会通过声网 AI 音频降噪引擎对音频进行优化，以提升语音的识别率。与此同时，用户的语音、音频体验也会得到提升。在今年的 RTC 2019 实时互联网大会上，我们还将进一步分享 AI 音频降噪背后的技术实践，敬请期待。
3 语音交互低延时
声网 SDK 实现了全球端到端 76ms 的实时音视频低延时传输。声网 Agora SD-RTN™ 实时通信网络采用私有 UDP 协议进行传输，基于软件定义优化路由选择最优传输路径，自动规避网络拥塞和骨干网络故障带来的影响。在能保证低延时传输的同时，声网 Agora SDK 还支持 48kHz 高音质语音。
本文转载自公众号声网 Agora（ID：shengwang-agora）。
原文链接：
评论