Nature發(fā)表華裔作者論文：通過解碼大腦活動(dòng)提升語音的清晰度，使用深度學(xué)習(xí)方法直接從大腦信號(hào)中產(chǎn)生口語句子，達(dá)到150個(gè)單詞，接近正常人水平。

大腦活動(dòng)能夠解碼成語音了。

說話似乎是一項(xiàng)毫不費(fèi)力的活動(dòng)，但它其實(shí)是人類最復(fù)雜的動(dòng)作之一。說話需要精確、動(dòng)態(tài)地協(xié)調(diào)聲道發(fā)音器官結(jié)構(gòu)中的肌肉——嘴唇、舌頭、喉部和下頜。當(dāng)由于中風(fēng)、肌萎縮側(cè)索硬化癥或其他神經(jīng)系統(tǒng)疾病而導(dǎo)致言語中斷時(shí)，喪失說話能力可能是毀滅性的。

來自加州大學(xué)舊金山分校的科學(xué)家創(chuàng)造了更接近能夠恢復(fù)說話功能的腦機(jī)接口(brain–computer interface,BCI)。

腦機(jī)接口旨在幫助癱瘓患者直接從大腦中“讀取”他們的意圖，并利用這些信息控制外部設(shè)備或移動(dòng)癱瘓的肢體，這項(xiàng)技術(shù)目前能夠使癱瘓的人每分鐘最多能打出8個(gè)單詞，而加州大學(xué)舊金山分享的研究人員開發(fā)了一種方法，使用深度學(xué)習(xí)方法直接從大腦信號(hào)中產(chǎn)生口語句子，達(dá)到150個(gè)單詞，接近正常人水平！

這項(xiàng)研究發(fā)表在最新一期《自然》雜志上，作者為Anumanchipalli以及華裔科學(xué)家Edward Chang等人。

每分鐘能夠生成150單詞，接近正常人類水平

加州大學(xué)舊金山分校的研究人員與5名志愿者合作，志愿者們接受了一項(xiàng)被稱為“顱內(nèi)監(jiān)測”的實(shí)驗(yàn)，其中電極被用于監(jiān)測大腦活動(dòng)，作為癲癇治療的一部分。

許多癲癇患者的藥物治療效果并不好，他們選擇接受腦部手術(shù)。在術(shù)前，醫(yī)生必須首先找到病人大腦中癲癇發(fā)作的“熱點(diǎn)”，這一過程是通過放置在大腦內(nèi)部或表面的電極來完成的，并監(jiān)測明顯的電信號(hào)高峰。

精確定位“熱點(diǎn)”的位置可能需要數(shù)周時(shí)間。在此期間，患者通過植入大腦區(qū)域或其附近的電極來度日，這些區(qū)域涉及運(yùn)動(dòng)和聽覺信號(hào)。這些患者一般會(huì)同意利用這些植入物進(jìn)行額外的實(shí)驗(yàn)。

ECoG電極陣列由記錄大腦活動(dòng)的顱內(nèi)電極組成

此次招募的五名志愿者同意測試虛擬語音發(fā)生器。每個(gè)患者都植入了一兩個(gè)電極陣列：圖章大小的、包含幾百個(gè)微電極的小墊，放置在大腦表面。

實(shí)驗(yàn)要求參與者背誦幾百個(gè)句子，電極會(huì)記錄運(yùn)動(dòng)皮層中神經(jīng)元的放電模式。研究人員將這些模式與患者在自然說話時(shí)嘴唇，舌頭，喉部和下頜的微小運(yùn)動(dòng)聯(lián)系起來。然后將這些動(dòng)作翻譯成口語化的句子。

參與的志愿者大腦中的電極陣列位置

實(shí)驗(yàn)要求母語為英語的人聽這些句子，以測試虛擬語音的流暢性。研究發(fā)現(xiàn)，大約70％的虛擬系統(tǒng)生成的內(nèi)容是可理解的。

最終，這套新系統(tǒng)每分鐘能夠生成150單詞，接近自然講話的語速水平。而以前基于植入物的通信系統(tǒng)每分鐘可以生成大約8個(gè)單詞。

技術(shù)細(xì)節(jié)：兩階段解碼方法

在這項(xiàng)工作中，研究人員使用了一種叫做高密度皮層腦電圖的技術(shù)來跟蹤志愿者說話時(shí)大腦中控制言語和發(fā)音器官運(yùn)動(dòng)的區(qū)域的活動(dòng)，志愿者們被要求說了幾百句話。

為了重建話語，Anumanchipalli等人不是將大腦信號(hào)直接轉(zhuǎn)換為音頻信號(hào)，而是使用一種兩級(jí)解碼的方法。他們首先將神經(jīng)信號(hào)轉(zhuǎn)換為聲道發(fā)音器官運(yùn)動(dòng)的表示，然后將解碼的運(yùn)動(dòng)轉(zhuǎn)換為口語句子，如圖1所示。兩次轉(zhuǎn)換都使用了遞歸神經(jīng)網(wǎng)絡(luò)——一種人工神經(jīng)網(wǎng)絡(luò)，在處理和轉(zhuǎn)換具有復(fù)雜時(shí)間結(jié)構(gòu)的數(shù)據(jù)時(shí)特別有效。

圖1：語音合成的腦機(jī)接口

在上圖A中，以前的語音合成研究采用的方法是使用腦電圖（ECoG）設(shè)備監(jiān)測大腦語音相關(guān)區(qū)域的神經(jīng)信號(hào)，并嘗試將這些信號(hào)直接解碼合成語音，使用一種稱為遞歸神經(jīng)網(wǎng)絡(luò)(RNN)的人工神經(jīng)網(wǎng)絡(luò)；

上圖B中，Anumanchipalli等人開發(fā)了一種不同的方法，RNN被用于兩階段解碼。其中一個(gè)解碼步驟是將神經(jīng)信號(hào)轉(zhuǎn)換成聲道發(fā)聲器官(紅色)的預(yù)估運(yùn)動(dòng)，涉及到語音生成的解剖結(jié)構(gòu)(嘴唇、舌頭、喉部和下頜)。為了在第一個(gè)解碼步驟中進(jìn)行訓(xùn)練，作者需要每個(gè)人的聲道運(yùn)動(dòng)與他們的神經(jīng)活動(dòng)關(guān)聯(lián)起來的數(shù)據(jù)。

因?yàn)闊o法直接測量每個(gè)人的聲道運(yùn)動(dòng)，Anumanchipalli等人構(gòu)建了一個(gè)RNN來預(yù)估這些運(yùn)動(dòng)，其訓(xùn)練數(shù)據(jù)是之前收集的大量聲道運(yùn)動(dòng)數(shù)據(jù)和語音錄音。這個(gè)RNN產(chǎn)生的聲道運(yùn)動(dòng)估計(jì)足以訓(xùn)練第一個(gè)解碼器。第二個(gè)解碼步驟將這些估計(jì)的動(dòng)作轉(zhuǎn)換成合成語音。Anumanchipalli和他的同事的兩步解碼方法產(chǎn)生的口語句子的失真率明顯低于直接解碼方法獲得的句子。

與直接解碼聲學(xué)特征相比，作者采用的兩階段解碼方法能明顯減小聲音失真。如果可以獲得跨多種語音條件的海量數(shù)據(jù)集，那么直接合成可能會(huì)接近或優(yōu)于兩階段解碼的方法。

然而，考慮到現(xiàn)實(shí)中數(shù)據(jù)集的匱乏，解碼的中間階段會(huì)將聲道發(fā)音器官正常運(yùn)動(dòng)功能的信息帶入模型，并限制必須評(píng)估的神經(jīng)網(wǎng)絡(luò)模型的可能參數(shù)。這種方法似乎使神經(jīng)網(wǎng)絡(luò)能夠?qū)崿F(xiàn)更高的性能。最終，反映正常運(yùn)動(dòng)功能的“仿生”方法可能在復(fù)制自然語言典型的快速、高精度通信方面發(fā)揮關(guān)鍵作用。

不能說話的個(gè)體也能實(shí)現(xiàn)語音合成

在腦機(jī)接口（BCI）研究中，包括新興的語音腦機(jī)接口領(lǐng)域，開發(fā)和采用允許跨研究進(jìn)行有意義的比較的穩(wěn)健度量是一項(xiàng)挑戰(zhàn)。例如，重構(gòu)原始語音的錯(cuò)誤等度量可能與腦機(jī)接口的功能性能(即聽者是否能聽懂合成的語音)幾乎沒有對應(yīng)關(guān)系。

為了解決這個(gè)問題，Anumanchipalli等人從語音工程領(lǐng)域出發(fā)，開發(fā)了易于復(fù)制的人類聽眾語音可懂度測量方法。他們在眾包市場Amazon Mechanical Turk上招募用戶，讓志愿者識(shí)別合成語音中的單詞或句子。與重構(gòu)錯(cuò)誤或以前使用的自動(dòng)可懂度測量方法不同，這種方法直接測量語音對人類聽眾的可懂度，而不需要與原始話語進(jìn)行比較。

Anumanchipalli和他的同事的研究結(jié)果為語音合成腦機(jī)接口的概念提供了令人信服證據(jù)，無論是在音頻重建的準(zhǔn)確性方面，還是在聽者對產(chǎn)生的單詞和句子進(jìn)行分類的能力方面。

然而，在通往臨床可行的語音腦機(jī)接口的道路上仍有許多挑戰(zhàn)。

重構(gòu)語音的可理解性仍遠(yuǎn)低于自然語音，腦機(jī)接口能否通過收集更大的數(shù)據(jù)集并繼續(xù)開發(fā)底層的計(jì)算方法來進(jìn)一步改進(jìn)還有待觀察。使用記錄局部腦活動(dòng)的神經(jīng)接口可能比使用皮層腦電圖記錄的更為有效。例如，在腦機(jī)接口研究的其他領(lǐng)域，皮質(zhì)內(nèi)微電極陣列通常比皮質(zhì)腦電圖具有更高的性能。

目前所有語音解碼方法的另一個(gè)限制是需要使用語音來訓(xùn)練解碼器。因此，基于這些方法的腦機(jī)接口不能直接應(yīng)用于無法說話的人。但是Anumanchipalli和他的同事們發(fā)現(xiàn)，當(dāng)志愿者在不發(fā)聲的情況下模仿語音時(shí)，語音合成仍然是可行的，盡管語音解碼的準(zhǔn)確率要低得多。無法產(chǎn)生語音相關(guān)動(dòng)作的個(gè)體是否能夠使用語音合成腦機(jī)接口是未來研究的一個(gè)問題。

基于神經(jīng)解碼的無聲模仿語音合成

值得注意的是，在首次對腦機(jī)接口進(jìn)行概念驗(yàn)證研究以控制健康動(dòng)物的手臂和手的運(yùn)動(dòng)之后，人們對這種腦機(jī)接口在癱瘓患者身上的適用性提出了類似的問題。隨后的臨床試驗(yàn)令人信服地證明，使用腦機(jī)接口，人類可以快速交流、控制機(jī)械臂、恢復(fù)癱瘓肢體的感覺和運(yùn)動(dòng)等。

最后，這些令人信服的概念驗(yàn)證證明了不能說話的個(gè)體也能實(shí)現(xiàn)語音合成，結(jié)合腦機(jī)接口在上肢癱瘓患者中的快速進(jìn)展，研究人員認(rèn)為應(yīng)該大力考慮涉及言語障礙患者的臨床研究。隨著持續(xù)的進(jìn)步，希望更多有語言障礙的人能夠重新獲得自由表達(dá)思想的能力，并重新與周圍的世界聯(lián)系起來。

華裔科學(xué)家解碼，馬斯克腦機(jī)接口公司也會(huì)有新動(dòng)作

Nature這篇文章的作者之一是加州大學(xué)舊金山分校神經(jīng)外科教授Edward Chang博士。

Edward Chang

Edward Chang博士的研究重點(diǎn)是言語、運(yùn)動(dòng)和人類情感的大腦機(jī)制，同時(shí)他也是加州大學(xué)舊金山分校和加州大學(xué)伯克利分校的合作單位——神經(jīng)工程與假肢中心的聯(lián)合負(fù)責(zé)人。該中心匯集了工程、神經(jīng)病學(xué)和神經(jīng)外科方面的專家，以開發(fā)最先進(jìn)的生物醫(yī)學(xué)技術(shù)，用以恢復(fù)神經(jīng)系統(tǒng)殘疾患者的功能，如癱瘓和言語障礙。

Edward Chang博士表示，這次在Nature上的研究，“我們通過解碼大腦活動(dòng)提升語音的清晰度，模擬的語音比從大腦中提取聲音表示的合成語音更準(zhǔn)確、更自然。”

人類將大腦與計(jì)算機(jī)相連的努力越來越多。

上個(gè)月，美國一組科學(xué)家在biorxiv.org上發(fā)表一篇論文，稱找到了快速將電線植入大鼠大腦的方法，論文中描述這個(gè)過程是“向人類大腦直接插入計(jì)算機(jī)潛在系統(tǒng)邁出的重要一步”。

研究人員將他們的系統(tǒng)稱為“縫紉機(jī)”（sewing machine），科學(xué)家在實(shí)驗(yàn)室中移除一塊老鼠的頭骨并插入一根針頭，將柔性電極送入老鼠的腦組織。

彭博新聞報(bào)道，這組科學(xué)家與馬斯克的腦機(jī)接口公司Neuralink有各種松散關(guān)聯(lián)。

Neuralink于2016年注冊為加州的一家醫(yī)學(xué)研究公司，該公司聘請了來自不同大學(xué)的幾位知名神經(jīng)科學(xué)家，并與加州大學(xué)戴維斯分校的實(shí)驗(yàn)室簽約，對靈長類動(dòng)物進(jìn)行研究。

本周三，當(dāng)Twitter用戶詢問Neurink的進(jìn)展時(shí)，馬斯克說，“可能會(huì)在幾個(gè)月內(nèi)宣布一些值得注意的事情。”

馬斯克認(rèn)為，腦機(jī)接口技術(shù)能在2021年之前治療嚴(yán)重的腦損傷。此外，科學(xué)可以通過腦機(jī)接口擴(kuò)大人類的能力。他舉了一個(gè)例子：人們可以通過心靈感應(yīng)來傳達(dá)復(fù)雜的概念，“你不需要用語言表達(dá)”。

人類是否有一天會(huì)與機(jī)器合并？馬斯克認(rèn)為，人類已經(jīng)在某種程度上做到了這一點(diǎn)，因?yàn)?a href="http://www.1cnz.cn/v/tag/11230/" target="_blank">智能手機(jī)等近乎無所不在的技術(shù)，因此腦機(jī)接口這項(xiàng)工作應(yīng)該繼續(xù)下去。

這可能會(huì)導(dǎo)致科幻未來，因?yàn)槿藗兛梢栽谀X海中下載外語，你覺得呢？