光藤祐基：AI聲音分離是一種技術(shù)，它可以從音頻數(shù)據(jù)中去除不必要的噪音，只提取人聲或其他特定樂器的聲音。當人類在聆聽一場多種聲音混合在一起的表演時，可以分辨出各個樂器，或者在進行對話時，即使被一大群人包圍，我們也能自然而然地專注于一個聲音。這些都是人類獨有的能力，而直到近來，計算機要做到這一點都還是極其困難的。有人將這項任務描述為混合兩種果汁，之后提取其中一種。但是在過去的幾年里，由于AI新方法的引入，這項技術(shù)有了極大的提升。

尤里奇：以前，人們試圖在分離中加入大量的專業(yè)知識，例如關(guān)于混合過程的知識。此外，人們更喜歡簡單的模型，因為它們可以從理論上研究它們。現(xiàn)在這種情況已經(jīng)改變了，因為使用AI從數(shù)據(jù)中學習分離體系要好得多。聲音分離應用于《阿拉伯的勞倫斯》的三個例子，展示了我們?nèi)绾翁崛υ捯约案鞣N模擬聲音的方法。

光藤祐基：我們的聲音分離是由AI來進行的，可以由人來教計算機完成這個任務。例如，一把吉他有一個特定的聲音或頻率，這一點可被神經(jīng)網(wǎng)絡(luò)學習到。無論混合了多少種聲音，我們的AI系統(tǒng)都能夠識別這些特征。這就像我們可以發(fā)現(xiàn)一個蘋果，因為我們之前見過很多蘋果。AI在聲音分離的應用方式而言，無論是機械上還是概念上都大同小異。

尤里奇：神經(jīng)網(wǎng)絡(luò)在所謂的訓練中學習識別音頻特征。在這個訓練中，神經(jīng)網(wǎng)絡(luò)會看到很多音樂--比我們一生中聽到的音樂還要多--以及我們應該提取的目標聲音。這些信息足以讓神經(jīng)網(wǎng)絡(luò)學習聲音分離。

光藤祐基：我們認為這是為數(shù)不多的可以讓時間倒流的技術(shù)。例如，你可以把過去必須要將各部分錄在一起的一段錄音，拿來專門提取人聲來重新混音，或者把所有的樂器的聲音分開來重新組合成一個新的格式。

尤里奇：為了給看電影的人提供一個身臨其境的聲場，需要從多個不同的角度傳遞聲音，重現(xiàn)一個3D音頻空間。然而，經(jīng)典電影的對白和音效都在同一個音軌上，所以我們能提取的聲音和聲場的沉浸感都是有限的。于是我們開始思考是否可以將這項技術(shù)延伸到電影中，在學習了音效（擬聲）庫之后，我們的AI系統(tǒng)能夠成功地從母版中提取出單個音效。在上面的視頻中也可以看到，在美國上映的《阿拉伯的勞倫斯》和《甘地》的4K超高清版本中，索尼影視娛樂公司的調(diào)音師用這項技術(shù)提取出聲音，用杜比全景聲進行重制，創(chuàng)造了一個沉浸式的聲場。

光藤祐基：這項技術(shù)也有望應用于電影以外的場景，比如清理通過麥克風記錄的人類聲音。例如，索尼的自主型娛樂機器人 "小狗 "aibo可以對人類的聲音做出回應并進行交流，但如果aibo只是簡單地收集周圍的聲音，其自身的機械聲或風噪等噪音也會被接收到。通過使用AI聲音分離技術(shù)，可以只提取人類的聲音，去除其他所有的背景音，以提高其語音識別能力。同樣，通過在Xperia智能手機上打電話時僅清理人聲，我們就不用再擔心聊天時的風噪。最近的另一個例子是，它被用于一款音樂流媒體應用程序的 "卡拉OK模式"。通過使用聲音分離技術(shù)，可以將原唱的聲音從流媒體音樂中實時移除（成為伴奏），并將用戶的演唱與音源混合，從而實現(xiàn)類似卡拉OK的體驗。

光藤祐基：我們希望我們的技術(shù)能夠像一臺時光機一樣，讓過去和現(xiàn)在的藝術(shù)家能夠跨時空合作。索尼PCL和索尼音樂解決方案剛剛開始使用我們的技術(shù)對外提供服務，所以肯定會有更多的應用。我非常期待未來的前景。

尤里奇：從技術(shù)角度來看，我們將看到向廣泛音源分離的過渡，在這種情況下，不僅音源的數(shù)量是未知的，而且音源的類型也是不明確的。人們認識到這是一個具有挑戰(zhàn)性但有趣的情景，它將促成更多的商業(yè)應用案例。