「汪汪」to Vector！密歇根博士生用AI解码狗的声音

来源：联想创投

近日，来自密歇根大学的研究人员，开发了一款人工智能工具，可以区分不同含义的狗叫声，并识别狗的年龄、性别和品种。

有没有想过你的狗狗想要对你说什么？

在科幻或者想象的场景中，人类有时会编织类似的情节。

然而在AI风行之下，科幻已然到来！

狗的语言也是「自然语言」，人的语言能word to vector，「汪汪」为什么不行？

近日，就有研究人员开发了一款人工智能工具，可以区分不同含义的狗叫声，并识别狗的年龄、性别和品种。

论文地址：https://arxiv.org/pdf/2404.18739

而且，研究结果表明，源自人类语音的声音和模式，可以作为分析和理解其他声音（例如动物发声）声学模式的基础。

研究者来自密歇根大学，以及墨西哥国家天体物理、光学和电子研究所（INAOE）。

该篇工作同时发表在International Conference on Computational Linguistics, Language Resources and Evaluation上。

这是一作Artem Abzaliev，和他的狗Nova：

——以前是遇事不决，量子力学，以后搞不定的事都喂给AI模型就行了。

大模型：嗯？怎么今天的饭味道怪怪的？

要理解狗狗，首先需要收集狗狗的数据，二作Humberto Pérez-Espinosa负责领导收集数据的团队，共记录了74只不同品种、年龄和性别的狗狗在各种情况下发出的声音。

然后是训练模型，研究人员比较了两种方式的实现效果：

1. 完全用狗狗的声音数据从头训练模型；

2. 在人类语音预训练模型的基础上，使用狗狗声音数据进行微调。

模型选择Wav2Vec2，是使用人类语音数据训练的SOTA语音表示模型。

通过这个模型，研究人员能够生成从狗身上收集的声学数据的表示，并解释这些表示。

实验表明，使用人类语音预训练的模型，居然表现更好。

看来通用基础大模型微调的套路，即使跨物种也能行得通。

最重要的是，研究人员不必时常被极高的数据门槛所阻碍。

毕竟，相比于人类语言，收集动物语言数据要难得多，公开的数据集更是少之又少。

Artem Abzaliev表示，动物的发声在逻辑上更难征求和记录，要么在野外被动记录，要么寻找家养宠物，但必须征得主人的许可。

文章的作者之一，密歇根大学人工智能实验室主任Rada Mihalcea表示：

「关于与我们共享这个世界的动物，我们不知道的还有很多。人工智能的进步将彻底改变我们对动物交流的理解，而且我们可以使用以人类语音为基础的预训练模型，不必从头开始。」

「汪汪」to Vector

要理解动物的交流方式，需要解决三个主要问题：

（1）动物使用的语音和感知单位是什么？

（2）组合这些单位的规则是什么？

（3）这些单位是否有意义，如何将声音单位映射到具体含义？

而这篇工作探讨的是第三个问题，尝试去理解狗狗发声的语义。

数据准备

研究人员使用了一个由74只狗的叫声记录组成的数据集，这些记录是在墨西哥的狗主人家中现场收集的。

使用相机内置麦克风获得录音，音频编解码器为A52立体声，采样率48,000Hz，比特率为256kbps。

本研究中使用的狗发声协议，由墨西哥Tlaxcala行为生物学中心的动物行为专家设计和验证。

74只狗狗包括48只母狗和26只公狗，品种分布为：42只吉娃娃、21只法国贵宾犬和11只雪纳瑞犬。狗的年龄在5到84个月之间，平均年龄为35个月。

狗的叫声来自于不同的场景，比如：

实验者反复按响家庭门铃并用力敲门；

实验者模拟对狗狗主人的攻击；

主人亲切地对狗说话；

主人使用狗通常玩的物品与狗玩耍；

主人执行散步前的正常例行程序；

主人用皮带将狗拴在树上，然后走出视线；

记录狗狗对这些刺激做出的反应，根据不同情景，录音会持续10秒到60分钟。

数据处理

将录音会分割成较短的片段，长度在0.3到5秒之间，使用阈值来区分叫声和背景噪声。

使用与刺激相关的信息手动注释每个生成的片段。下表显示了14种狗的发声类型以及相应的段数和持续时间：

模型

为了在数据集中创建狗狗叫声的声学表示，研究人员以自监督语音表示模型Wav2Vec2为基础，来进行微调。

Wav2Vec2使用Librispeech语料库进行预训练（960小时未标记的人类语音数据），来学习如何将音频信号表示为一系列离散标记。

这里使用HuggingFace上的Wav2Vec2开源实现，并且比较了用狗狗数据从头训练模型，以及使用预训练模型微调，两者的效果差异。

分类任务

研究人员探索了几个基本任务，包括个体叫声识别、狗的品种识别、性别识别、以及预测叫声关联的场景。

所有实验都使用十倍交叉验证设置：将7-8只狗作为测试数据集，使用其余狗的发声进行训练。

叫声识别

这个任务需要将单个音频片段，分类为数据集中74只狗中的一只。据说，人类很难区分单个狗的吠叫声，但AI不同，即使是无监督的模型也可以表现得相当好。

下表显示了实验结果，使用预训练模型微调的方案占据了优势：

品种鉴别

这项任务的目标是预测狗的品种（吉娃娃、法国贵宾犬和雪纳瑞犬）。这里假设不同的品种有不同的音高，因此声学模型应该能够识别这些差异，而与上下文无关。

这有点类似于人类的口音识别，比如根据声音来区分是美国、英国还是印度人。

实验结果如下表所示，预训练模型表现最好。单个品种的差异可以通过每个品种的观察数量不平衡来解释，吉娃娃是数据集中最常见的品种（57%），其次是法国贵宾犬（28%）和雪纳瑞犬（15%）。

性别预测

这项任务的目的是探究是否有可能从发声中预测狗的性别。

结果如下表所示。这次是从头开始训练的Wav2Vec2模型表现更好，而预训练模型对女性类别有一些改进，可能是因为狗狗数据集中母狗的数据比较多（按总持续时间计算，母狗为67.95%，公狗为32.04%）。

从结果来看，在所有任务中，性别识别是最困难的任务。

作者假设从头开始训练的模型专注于学习声学特征，而预训练的wav2vec则试图走捷径，导致过拟合，因此女性的F1增加，男性的F1降低。

关联场景预测

最后一项任务预测叫声关联的场景。由于标签分布高度偏斜，这里关注的是有更多例子的场景：

对陌生人非常具有攻击性的吠叫（LS2）;

对陌生人正常吠叫（L-S1）;

负面尖叫（在陌生人在场的情况下）（CH-N）;

消极的咕噜声（在陌生人面前）（GR-N）。

实验结果如下表所示。与之前的实验类似，两种Wav2Vec2模型的表现都优于基线（Majority），而预训练版本获得了最准确的结果。