经过《老友记》训练的神经网络可以识别讽刺

2019 年，当 AI 还只是科幻小说中的产物，而 GPT-2 距离发布还有几个月的时间时，一组研究人员向当年夏天的计算语言学协会年会提交了一篇论文。这篇名为《迈向多模态讽刺检测（一篇显然完美的论文）》的论文提出了一个数据库提案，该数据库包含带注释的语音讽刺示例，这些示例取自《老友记》和《生活大爆炸》等热门电视节目。该数据库被称为“多模态讽刺检测数据集”，简称“MUStARD”，其想法是将其用作研究对话中讽刺检测的资源。

讽刺的本质意味着，仅从字面意思很难识别：讽刺语句通常说的是一回事，但实际含义却是另一回事。这就需要从其他更微妙的线索中推断出语句的实际含义。原始 MUStARD 论文确定了此类线索的几个例子——“语调变化、过分强调某个词、音节拖长或面无表情”——并认为这种“多模态”分析对于正确解析讽刺至关重要。

在这五年间，自然语言人机交互的概念已经从电影情节装置以令人眼花缭乱的速度发展成为日常生活中常见的现象。然而，讽刺仍然难以察觉，本周在渥太华举行的美国声学学会和加拿大声学协会联合会议上，有两场会议专门讨论了如何提高讽刺的检测能力。

第一篇论文来自格罗宁根大学的一个团队，他们描述了一种基于 2019 年论文中提出的方法的神经网络。该网络使用 MUStARD 的数据进行训练， 《卫报》报道称，该网络 75% 的时间都能从数据库中的节目中检测到未标记的讽刺示例。会议网站上发布的研究摘要解释了该模型的工作原理：使用自动语音识别从音频数据中提取单词，然后为其分配一个表情符号来表示其潜在情绪。然后，这个表情符号被映射到多模态提示，如语调或更广泛的对话上下文。作者表示，他们的方法“利用每种模态的优势……[并]通过提供准确解读讽刺所必需的互补线索来弥补音调感知的局限性。”

音调感知是寻找言语讽刺的最成熟方法之一，会议上关于讽刺检测的另一个演讲主要研究了音调感知分析方法。具体来说，它关注的是 F0 或基频的变化，这是特定人声音的最低频率。该频率的某些变化通常表示英语中的讽刺，因此识别这些变化是识别讽刺短语的一种相当可靠的方法。

密歇根大学的一个团队发表了演讲，详细研究了当一个人发表讽刺言论时 F0 的变化（称为“F0 轮廓”）。该团队确定了许多受试者轮廓中反复出现的某些声学特征——“摆动”和“空间感”，并在对九名受试者的讲话进行进一步分析后发现，“摆动和空间感本身就可以捕捉到一些说话者真诚和讽刺轮廓簇之间的一些差异。”然而，演讲摘要警告说，虽然“任何说话者都会产生讽刺或真诚的轮廓特征……但这些轮廓因说话者而异。”

这表明，仅依靠对话的任何一个方面来识别讽刺是多么困难。这对于人类和计算机来说都是如此，虽然这些会议的报道主要集中在将讽刺检测纳入大型语言模型驱动的聊天机器人（如 ChatGPT）的可能性上，但对实际的人也有潜在的好处。格罗宁根大学的团队表示，他们的工作可能对“有听觉处理障碍的人”有帮助——尤其是那些“音调感知障碍或缺乏语境听觉线索的人”——更广泛地说，对“语音技术应用的进步”有帮助。