然后说一下这个,从旧金山到滨江区,系统依旧收敛稳定

这次LiveVideoStackCon 2020 北京站,我们邀请到了曾任职于Apple、Facebook和Zoom音视频算法工程师郝一亚。一亚博士毕业于美国德州大学达拉斯分校,在校时是Statistical Signal Processing Research Lab的研究助理,专注于在助听器上的语音数字信号处理算法。

2019年年底,郝一亚加入网易云信,研究范围包括传统信号处理算法和基于AI的算法。除了是人们口中的“程序员”,郝一亚还拥有街舞老师、兵乓球国家二级运动员等多重身份,参加过顶级歌手的世界巡演…….而当一名在美博士从湾区来到内地,他的生活又发生了怎样的变化?

用郝一亚自己的话来说,就是“系统还是收敛稳定的”。

以下内容由LiveVideoStack与郝一亚的采访整理而成

LiveVideoStack:在您众多的身份中,您更享受哪一个“自己”,对哪一个“自己”最满意?开发者/程序员在这众多的标签中处于一个什么样的位置?

郝一亚:最享受的可能是作为Dancer/Choreographer的身份,最满意的应该是Acoustic Engineer这个身份,因为自己能从很平常的声音中听出更多的信息,比如声音有没有distortion、每个人的pitch基频、环境底噪的分贝数等等。

开发者/程序员应该相当于我实现自己算法的一个途径,要将自己听到的和提出的算法应用于实际,都需要自己动手去写出来。

LiveVideoStack:在美国求学、工作的过程中,您最开心的时刻有哪些?

郝一亚:应该是博士答辩完成,老板对我说“Congratulations, Dr. Hao”的时候,还有求婚成功的时候。

LiveVideoStack:加入网易云信后,你的生活发生了哪些变化,喜和忧分别是什么?

郝一亚:其实没什么大忧,硬要说的话可能是上班时间增加导致家庭和个人时间太少。

喜的方面其实挺多的,之前没有在中国的公司待过,本来是做好了应对“坏情况”的心理准备,但实际工作中,团队氛围、专业程度、自己的适应状态都达到了一个很好的正反馈系统中,DSP的术语来说该系统还是收敛稳定

音频算法的迭代不是一个短平快项目,需要耐心的打磨和积累。而网易就是这样的一个企业,以匠心致创新,这就是我选择网易云信的最大原因。

LiveVideoStack:云信每周四的程序员分享进展如何,最近又分享了哪些有意思的话题?

郝一亚:我觉得周四的分享特别好,分享内容有广度有深度。我自己印象最深的是音频组同事讲的那次关于音频信号问题的分析,现场气氛很好,大家都在踊跃地讨论,而且分享后大家反馈也是说了解了很多音频问题表象下的具体原因。虽然分享最后有点像音频组的“甩锅大会”了。

LiveVideoStack:在您就职FB、Apple等互联网公司期间,遇到过哪些印象深刻的技术难题,以及您是如何应对的?

郝一亚:当时在Apple的时候,第一个落地的算法是结合一个新的sensor的一个音频算法。当时难度挑战是相关的paper很少,很多细节只能自己去摸索,我的应对办法就是两个字“加班”。

开个玩笑,是加了几天班,但关键的策略是没有急于求成,而是把sensor在各个产品下的指标都考虑到,测试好,打好基础,前期工作做得好,制定方案就会很可行。

Apple的音频实验室设备非常齐全,到了“要什么有什么”的境界,为工作提供了很多便利。

LiveVideoStack:基于AI的算法产品化这一点,您有什么比较欣赏的平台或产品吗?

郝一亚:在音频领域,虽然现在AI音频算法在产品落地上依然没有普及开,但是Google在近几年一直是这个领域的佼佼者,其次AmazonLab126在这个领域的研究也是非常超前的。

LiveVideoStack:“将AI算法任务模块化”具体是一个什么概念,有哪些实际用例?

郝一亚:AI算法在实际应用当中有很多问题,在音视频算法中,让AI去处理一个链路很长的算法问题时,Model的效果、泛化能力、计算复杂度都很头疼。

如果是沿用传统的算法,将传统算法中的一个适合AI的模块单独拿出来,用训练的Model来处理,这种方式往往在上述的三个维度都能有提升。

LiveVideoStack:将具体技术“产品化“的过程中您遇到过哪些困难?

郝一亚:主要的困难是算法的研究与产品的需求之间往往存在着差距,在云信的算法落地过程当中,稳定性和高可用性是我们的首要目标。

在此基础上,我们会不断地去match产品的需求,分清需求的重要程度,不断地对算法的细节进行调整。

LiveVideoStack:据您个人经验,中美科技公司将音频技术“产品化”的过程有何不同?

郝一亚:其实中美公司在很多方面都已经比较接近了,在音频技术“产品化”方面,美国和国内公司相比,唯一的不同可能在于其音频技术产品化的流程比较清晰,音频相关的储备(比如音频工具、消声室、技术积累)比较完善。

云信目前也有很多音频相关储备,比如Soundbooth、人工头等工具,在传统3A算法和AI算法上都有可观的技术积累。

LiveVideoStack:就您个人经验,国内的公司需要如何快速弥补这一点不足;以及国内互联网公司又有哪些令你欣赏的优势呢?

郝一亚:首先,这些不足没法快速弥补。

追赶的方式我认为还是积累更多相关的人才,还需要让更多管理者认知到音频开发和其他开发的不同之处(开发周期长,需要时间打磨与积累)

我认为国内现在最大的优势在于国家层面开始重视音视频技术,以及国内的消费能力和市场,这两点足以支撑音频领域的快速积累。

LiveVideoStack:您现阶段正在解决的问题?

郝一亚:现在基于AI的音频算法产品化的过程中,瓶颈依然是算法的泛化能力和Model复杂度,我们现在所专注的就是在不影响算法表现的情况下去提高泛化能力、降低计算量。

LiveVideoStack:您下一阶段的研发目标?

郝一亚:更深入的去“模块化”传统的音频算法,将更多的“小模块”用AI替代。

编辑:Coco Liang

LiveVideoStackCon 2020 北京

2020年10月31日-11月1日

正文完