Google靠128维深度学习网络打造新版音乐搜寻辨识超大量音乐也不会变慢

现在Android手机上的Google搜寻或是Google助理，内建了最新一代的音乐辨识功能，这源自2017年上线的Now Playing功能，但採了4倍大的深度学习神经网络来训练，嵌入（Embedding ）的维度从96维成长到了128维，Google宣称，不影响辨识速度下，几乎无限制增加可辨识的音乐资料库数量。

2017年Google在其Pixel 2上推出Now Playing功能，这是基于深度学习神经网路的低功耗音乐辨识服务。Google在打造Now Playing时，目标朝向满足小型且高效的诉求，资料库只需要存放非常小的音乐特徵，可以让装置在没有网际网路连线的状态下，提供音乐辨识服务，而手机端Now Playing应用的準确度和速度，超越了当时以伺服器端系统提供的声音搜寻（Sound Search）服务。

也因此，Google採用Now Playing相同的技术，来打造新版声音搜寻功能，并内建到Android手机上，成为Google搜寻或是Google智慧助理的基本功能，只要使用者启用语音查询，声音搜寻服务会自动侦测背景的声音，当发现装置附近有音乐拨放，介面便会出现相关提问，引导使用者查询歌曲名称，使用者也可以直接使用Hey,Google指令查询。

原本的Now Playing功能系统非常小巧，用于手机上的搜寻，持续执行也不会明显影响电力。因为Now Playing会将侦测到的音讯撷取8秒，使用卷积神经网路将数秒钟的音讯档案转成独特的指纹特徵，投影到一个由7段2秒片段组成的低维度嵌入空间，再以此特徵与手机上的定期更新的离线歌曲资料库进行比对。搜寻装置上的歌曲资料库，来辨识该资料库内的特徵资料。系统会使用两阶段来搜寻歌曲，第一阶段使用快速但不精确的演算法，搜寻整个资料库以找出可能的候选歌曲，第二阶段再对候选者进行详细分析，进一步找出正确的歌曲。

伺服器端的声音搜寻系统运作方式和Now Playing大不相同，必须比对的资料库是Now Playing规模的1千倍，这对搜寻的準确度和速度都是很大的挑战。虽然Google使用Now Playing技术来改进伺服器端的声音搜寻，但是极大的歌曲资料库，让错误预测产生的机率上升。为了降低这些错误，Google必须要增加辨识阈值，而这代表着必须要增加比对音讯的长度。Google认为，新的服务应该要比旧的更快，使用超过10秒的音讯不符合期待。

不过，由于声音搜寻服务建立在伺服器端，因此可以用不受限制的运算以及储存资源来弥补这些缺点。Google打造比原本还要大4倍的卷积神经网路，并且增加每一嵌入维度，从96维提高到了128维，减少了卷积神经网路将高维度音讯打包成低维嵌入所需要的工作量，这对于进行详细分析的第二阶段搜寻的品质至关重要。另外，Google还根据歌曲流行的程度，对索引进行加权，越流行的音乐设定越低的权重，并增加模糊朦胧的音乐权重，整体来说，比对资料库可以几乎没有限制的增加歌曲，且不会过度影响资料辨识的速度。

Google仍继续提升辨识音乐的準度和速度，特别是在背景音的处理，因为使用者辨识音乐的环境可能很安静也可能很吵杂，这也都会直接影响辨识品质。