每年，全世界有超過 6900 萬人飽受創傷性腦損傷的折磨，他們中的許多人無法通過語音、打字或手勢進行交流。如果研究人員開發出一種技術，可以通過非侵入性的方式直接從大腦活動解碼語言，這些人的生活將會大大改善。 現在，Meta搞了個新研究，就是要解決這個事兒。 

剛剛，Meta AI官方博客發文，介紹了可利用AI從大腦活動中直接解碼語音的新技術。

從一段時間為3秒的大腦活動中，這個AI可以從人們日常使用的 793 個單詞的詞匯表中解碼相應的語音片段，準確率高達 73%。 

以往，從大腦活動中解碼語音一直是神經科學家和臨床醫生的長期目標，但大部分進展依賴于侵入性大腦記錄技術，例如立體定向腦電圖和皮層電圖。 

這些設備可以提供比無創方法更清晰的信號，但需要神經外科干預。 

雖然這項工作的結果表明從大腦活動記錄中解碼語音是可行的，但使用非侵入性方法解碼語音將提供一種更安全、更具可擴展性的解決方案，最終可以使更多人受益。 

然而，這是非常具有挑戰性的，因為非侵入式錄音是出了名的嘈雜，并且由于各種原因，包括每個人的大腦和傳感器放置位置的差異，錄音會話和個人之間可能會有很大差異。 Meta通過創建一個經過對比學習訓練的深度學習模型來應對這些挑戰，然后使用它來最大限度地對齊非侵入性大腦記錄和語音。 

為此，Meta使用一個由 FAIR 團隊于 2020 年開發的、開源的自我監督學習模型wave2vec 2.0，來識別聽有聲讀物的在志愿者大腦中語音的復雜表示。 Meta主要關注兩種非侵入性技術：腦電圖和腦磁圖（簡稱 EEG 和 MEG），分別測量由神經元活動引起的電場和磁場的波動。 

在實踐中，這兩個系統每秒可以使用數百個傳感器拍攝大約 1000 個宏觀大腦活動的快照。 Meta利用了來自學術機構的四個開源 EEG 和 MEG 數據集，利用了 169 名健康志愿者的 150 多個小時的錄音，在這些錄音中，是他們正在聽有聲讀物和英語和荷蘭語的孤立句子。 

然后，Meta將這些 EEG 和 MEG 記錄輸入到一個「大腦」模型中，該模型由一個帶有殘差連接的標準深度卷積網絡組成。 

眾所周知，EEG 和 MEG 記錄在個體之間存在很大差異，因為個體大腦解剖結構、大腦區域神經功能的位置和時間差異以及記錄期間傳感器的位置。 

在實踐中，這意味著分析大腦數據通常需要一個復雜的工程管道，用于重新調整模板大腦上的大腦信號。在以前的研究中，大腦解碼器接受了少量錄音的訓練，以預測一組有限的語音特征，例如詞性類別或少量詞匯中的單詞。 

為了方便研究，Meta設計了一個新的主題嵌入層，它被訓練成端到端，將所有的大腦記錄排列在一個共同的空間。

為了從非侵入性大腦信號中解碼語音，Meta訓練了一個具有對比學習的模型，以校準語音及其相應的大腦活動 最后，Meta的架構學會了將大腦模型的輸出，與呈現給參與者的語音的深度表征相匹配。 

在Meta之前的工作中，我們使用wav2vec 2.0，表明這種語音算法會自動學習生成與大腦一致的語音表示。 

wav2vec 2.0中出現的語音“類腦”表示，使Meta的研究人員自然而然地選擇構建自己的解碼器，因為它有助于讓Meta的研究人員了解，應該從大腦信號中提取哪些表示。 

Meta最近展示了 wav2vec 2.0（左）的激活映射到大腦（右）以響應相同的語音。算法的第一層（冷色）的表示映射到早期聽覺皮層，而最深層映射到高級大腦區域（例如前額葉和頂葉皮層） 

訓練后，Meta的系統執行所謂的零樣本分類：給定一個大腦活動片段，它可以從大量新音頻片段中確定該人實際聽到的是哪個片段。 

算法推斷出這個人最有可能聽到的詞。這是一個令人興奮的步驟，因為它表明人工智能可以成功地學會在感知語音時解碼大腦活動的嘈雜和可變的非侵入性記錄。 

下一步是看看研究人員是否可以擴展這個模型，直接從大腦活動中解碼語音，而不需要音頻剪輯池，即，轉向安全和多功能的語音解碼器。 研究人員的分析進一步表明，我們算法的幾個組成部分，包括使用 wav2vec 2.0 和主題層，對解碼性能是有益的。 

此外，Meta的算法隨著 EEG 和 MEG 記錄的數量而改進。 實際上，這意味著Meta研究人員的方法受益于大量異構數據的提取，并且原則上可以幫助改進小型數據集的解碼。 

這很重要，因為在許多情況下，很難讓給定的參與者收集大量數據。例如，要求患者在掃描儀上花費數十個小時來檢查系統是否適合他們是不切實際的。 相反，算法可以在包括許多個人和條件的大型數據集上進行預訓練，然后在數據很少的情況下為新患者的大腦活動提供解碼支持。 

Meta的研究令人鼓舞，因為結果表明，經過自我監督訓練的人工智能可以成功地從大腦活動的非侵入性記錄中解碼感知到的語音，盡管這些數據中存在固有的噪聲和可變性。 當然，這些結果只是第一步。在這項研究工作中，Meta專注于解碼語音感知，但實現患者交流的最終目標需要將這項工作擴展到語音生產。 

這一研究領域甚至可以超越幫助患者，潛在地包括啟用與計算機交互的新方式。 

從更大的視野來看，Meta的工作是科學界使用人工智能更好地理解人類大腦的努力的一部分。Meta希望公開分享這項研究，以加快應對未來挑戰的進展。

論文解析

論文鏈接：https://arxiv.org/pdf/2208.12266.pdf 

本文提出了一個單一的端到端架構，在大量的個體群中進行對比性學習訓練，以預測自然語音的自監督表示。 

我們在四個公共數據集上評估了模型，其中包括169名志愿者在聽自然語音時用腦磁圖或腦電圖（M/EEG）記錄的數據。 

這為從非侵入性的大腦活動記錄中實時解碼自然語言處理提供了一條新的思路。 

方法和架構 

我們首先正式確定了神經解碼的通用任務，并激勵使用對比性損失進行訓練。在介紹用于大腦解碼的深度學習架構之前，我們介紹了由預訓練的自我監督模塊wav2vec 2.0提供的豐富的語音表示。 

我們的目標是在健康志愿者被動地聽他們的母語口語句子時，從用無創腦磁圖（MEG）或腦電圖（EEG）記錄的高維大腦信號的時間序列中解碼語音。

口語是如何在大腦中表示的在很大程度上是未知的，因此，通常以監督的方式訓練解碼器，以預測已知與大腦有關的語音的潛在表示。 

從經驗上看，我們觀察到這種直接回歸的方法面臨幾個挑戰：當語音出現時，解碼預測似乎被一個不可區分的寬帶成分所支配（圖2.A-B）。 

這一挑戰促使我們做出三個主要貢獻：引入對比性損失、預訓練好的深層語音表征和專門的大腦解碼器。 

1、對比性損失 

首先，我們推斷，回歸可能是一種無效的損失，因為它偏離了我們的目標：從大腦活動中解碼語音。因此，我們用一種對比性損失來代替它，即 "CLIP "損失，它最初被設計用來匹配文本和圖像這兩種模式中的潛在表征。 

2、預訓練的深度語音表征 

其次，Mel頻譜是語音的低層次表征，因此不太可能與豐富的皮質表征相匹配。 因此，我們用語音的潛在表征取代了Mel頻譜Y，這些表征要么是端到端學習的（"Deep Mel "模型），要么是用一個獨立的自我監督的語音模型學習的。 在實踐中，我們使用wav2vec2-large-xlsr-531，它已經對53種不同語言的56k小時的語音進行了預訓練。

 3、專門的「大腦解碼器」 

最后，對于大腦模塊，我們使用一個深度神經網絡fclip，輸入原始的M/EEG時間序列X和相應的主題s的單次編碼，并輸出潛在的大腦表示Z，其采樣率與X相同。

這個架構包括（1）在M/EEG傳感器上的空間注意力層，然后由一個針對特定對象的1x1卷積設計，以利用對象間的變異性，其輸入是卷積塊的堆疊。 

結果顯示，wav2vec 2.0 模型可以從3秒的腦電信號中識別出相應的語音片段，在1,594個不同的片段中，準確率高達72.5%，在2,604個腦電記錄片段中，準確率高達19.1%，可以對訓練集中沒有的短語進行解碼。