声音鉴黄师饱受摧残，AI声音鉴黄师为何没帮上忙？

文|雷宇

来源|智能相对论（aixdlun）

人民对性的态度向来很奇怪，父母和长辈期待子女能无师自通，教育者三缄其口，最后少男少女通过其他渠道实现了对性的初级摸索，当然这个摸索过程就很曲折了，文字，图片，视频和音频遍地开花，“学习资料”越来越方便传播。

食也性也，但传播色情内容却有极大的负外部效应，懵懂少男少女极易受其蛊惑，鉴黄师的重要性可想而知。在苹果商店的社交App中，有超过1/10的应用主打声音社交功能，由此催生出了一个新兴职业——声音鉴黄师。声音鉴黄师是一个让身心饱受摧残的职业，一位女性声音鉴黄师称，“一个人平均一天需要鉴定4000条信息，24小时轮班监控，各种荤段子、暧昧语音，有时（听到）恶心想吐。”

声音鉴黄师是一份不足以为外人道也的工作

由于这份工作实在是太过于枯燥，很多男生都受不了，因此声音鉴黄师多为女性且离职率高。一般枯燥且重复率高的工作都是AI的拿手好戏，那么AI有没有办法实现声音鉴黄呢？

声音鉴黄之殇，AI难以克服鸡尾酒效应

视频，图片和语音是色情内容常见的三种形式，多数公司的鉴黄都是立足于视频和图片，比如阿里的阿里绿网、腾讯的万象优图等等。有人可能会疑问，这几年科大讯飞、百度、腾讯等公司先后对外公布语音识别准确率均达到“97%”，那为什么在AI语音鉴黄上那么难？

这是因为社交平台的语音环境十分复杂，机器很难从庞大杂乱的语音中揪出涉黄涉暴人员，而这就不得不提鸡尾酒效应了。所谓鸡尾酒效应是指，在鸡尾酒会嘈杂的人群中，尽管周围噪声很大，两人可以顺利交谈，你们似乎听不到谈话内容以外的各种噪音。这是因为我们的大脑对声音都进行了某种程度的预判，然后才决定听或不听。

用特瑞斯曼的注意衰减理论来解释就是，当人的听觉注意集中于某一事物时，意识将一些无关声音刺激排除在外，而无意识却监察外界的刺激，一旦一些特殊的刺激与己有关，就能立即引起注意的现象。

但是机器却不具备这样意识和无意识，因此难以实现在嘈杂环境下的语音识别，这样看来AI语音鉴黄貌似已经走进了死胡同。

实际上，已有公司在解决鸡尾酒效应上做出了努力。今年4 月，Google曾在博客上发文称，谷歌研究人员开发出了一种深度学习系统，可识别和分离出嘈杂环境中的个体声音。

图片来自网易科技

研究人员从YouTube上10万段“讲座和谈话”视频中提取了近2000小时的视频片段，然后混合音频与人工背景噪声，创造“鸡尾酒派对”。训练技术人员将混合音频进行拆分，谷歌的系统能够分辨出哪个音频源在给定的时间内属于哪张人脸，并为每个扬声器创建单独的语音轨迹。

但Google的技术集中在视频处理上，主要是对数段声音的分离，而人工声音鉴黄仅仅依靠声音，有所不同。前不久，阿里AI语音反垃圾服务上线公测，它可以通过声纹识别技术，识别语音中存在的涉黄、广告等违规信息，不管是中日英俄等语言，还是东北，四川，广东的方言，甚至连无意义的呻吟声都可以轻松判别。

具体办法是，对那些有语义的内容，系统先将语音识别转成文字，然后再将这些文字跟文本反垃圾模型或关键词库比对，判断是否涉黄，对那些无语义的声音，通过声纹也能识别出来。但有一点值得注意的是，在语音识别的过程中，识别是哪种语言比内容更难，机器翻译也存在这样的问题，因此还需要大量数据来进行训练学习。

做好嘈杂环境的语音识别，难点是如何将杂音与人声分离。但对于声音鉴黄而言，一开始并不知道哪一个音源涉黄，很难说谁是噪音，这需要机器具有全局观。而上面提到的技术，声音分离或者将语音识别转成文字都只是基本，由于尚未在语音复杂的环境下试验过，因此这个结果嘛……退一万步讲，社交黑话也并不是那么好破译的。

社交黑话难解，语音识别障碍重重

时代要抛弃你，它只会让你看不懂，而我们也不能指望人工智能听懂。

就像你爹妈当初看不懂你的那句签名：”ァ亊實證明，鱤綪桱淂起fеηɡ雨，却桱囨起平啖；伖綪桱淂起平啖，却桱囨起fеηɡ雨。ヤ”（没乱码），新一代社交黑话崛起一般人也很难看懂，比如XSWL（笑死我了，相当于一连串哈哈哈），NSS（暖说说，指帮点赞评论转发说说，增进感情），CQY（处Q友的缩写，想在QQ上找朋友的意思）。

当然这也还算好的，无非就是缩写。除了缩写，还有一些只能强记的词语。比如养火（互发消息三天出现小火花，互发消息超过三十天出现大火花，养火就是经常联系的意思），欧洲（想要什么就得到什么的人）……

估计研究人员在录入数据时就阵亡了，毕竟这玩意看上去也不算有章可循。值得注意的是，当人们在说话的时候，如果省略一两个字不说，懂得的人自然也懂，但机器不一定能识别人们甚至为了混淆视听，会多语夹杂，这就给机器识别增添了难度。

这种输入标准的不统一，是导致语音识别错误率高的首要原因。我们常用的鼠标和键盘虽然看似简单，但它具备统一的输入标准和精准的视觉反馈这两点，而这正是语音识别技术不具备的，也是困扰现阶段AI鉴黄的一大挑战。

毫不意外，现阶段的声音鉴黄师依然是以人为主。早在互联网发展早期，黄色内容主要是图片和文字，靠人工就可以净化网络环境的目的，但是随着互联网带来的数据爆炸，人工已经远远不能胜任。

虽然声音鉴黄以人为本，但这并不意味着AI鉴黄师没有价值。它能在特定的场景实现鉴定也无疑算是一种进步，而现阶段它所呈现的问题，也无疑是技术发展过程中难以避免的阵痛。

全球经济学家和咨询公司的主流研究课题，总少不了人工智能会引发的失业规模，但是中国的互联网已经跑出了一条独特的路线，因此针对中国的研究少之又少。声音鉴黄师作为互联网发展过程中的独特产物，显然会存在相当长一段时间，而现行的人工智能鉴黄也多为辅助人。

一句正确但无用的话是，可以想见未来AI鉴黄会占据主流，但这个未来应该以哪个时间节点为基准，谁也无法预料。

智能相对论（微信id:aixdlun）：深挖人工智能这口井，评出咸淡，讲出黑白，道出vb深浅。重点关注领域：AI+医疗、机器人、智能驾驶、AI+硬件、物联网、AI+金融、AI+安全、AR/VR、开发者以及背后的芯片、算法、人机交互等。