三菱電機 TUSS：讓實體 AI 長出一對耳朵

當整個 AI 產業的目光都聚焦在聊天機器人與影片生成器上，另一個更低調、卻決定機器人與工業系統能否真正在真實世界存活的分支，正在穩步推進。今晨，三菱電機宣布開發出「任務感知統一音源分離」技術（Task-Aware Unified Source Separation，TUSS）：單一 AI 模型就能從糾纏混雜的真實環境音中，挑出個別聲音——作業員的嗓音、快要損壞的軸承、經過的堆高機——再把乾淨的音訊交給下游 AI 系統。該公司將以「實體 AI 之耳」為題，於今年十月在千葉舉行的 CEATEC 2026 進行現場展演。

問題所在：機器在吵雜環境裡是聾的

人類做音源分離毫不費力。站在工廠車間，你可以在壓縮機轟鳴、背景音樂飄送的環境中專注聆聽某一段對話——這就是著名的「雞尾酒會效應」。機器長年來做不到。傳統管線一次只能處理一種任務：訓練來隔離語音的模型無法分開兩個同時說話的人；訓練來處理樂器的模型對偵測機器異音毫無用處。

這種僵固性對「實體 AI」——機器人、巡檢無人機、語音控制的廠區設備、環境監控系統——後果非常實際。過去每一項新的聲學任務，都意味著設計、訓練、部署一套全新的分離模型。一座想同時導入語音控制、異常偵測與現場感知監控的工廠，需要三套各自獨立的音訊堆疊，而且每一套在聲學條件偏離訓練資料時都會變得脆弱。

TUSS 的做法：用提示取代多個模型

TUSS 直接繞過了這整套做法。它不是一個任務配一個模型，而是運用數量可變的可學習提示（learnable prompts），告訴單一網路該聽什麼。用提示指定「兩個說話者」，它就執行語音分離；指定「語音加背景噪音」，它就執行語音強化；指定「機器聲」，它就執行供異常偵測用的環境音抽取。模型依據收到的提示，在推論階段改變分離行為——不需要重新訓練，也不需要分開部署。

這項研究由三菱電機美國研究實驗室（MERL，位於麻州劍橋）的 Kohei Saijo 與同事主導，已發表於 ICASSP 2025（arXiv:2410.23987）。研究團隊對一個真實的技術矛盾展現了少見的坦率：音樂音源分離希望把樂器拆開，電影音訊分離卻希望把它們歸成一組。過去的統一模型處理這種張力時表現不佳，因為單一無條件網路無法同時滿足互相矛盾的目標。TUSS 的解法是把「任務本身」變成輸入——提示向量決定網路表現出哪一種行為。

在實驗中，單一 TUSS 模型成功涵蓋五大分離任務：語音強化、語音分離、聲音事件分離、音樂音源分離，以及電影音訊分離。MERL 已在 GitHub 上開源訓練與評測程式碼，這些主張因此是可重現的，而非行銷話術。

為什麼對實體 AI 重要

新聞稿中「實體 AI 之耳」的框架不只是口號。三菱電機的核心事業是工廠自動化、電梯、空調與基礎建設設備，而新聞稿明確瞄準「製造現場與公共空間等聲學環境複雜的場域」。近期的整合路徑相当清楚：

• 異常偵測：持續從整片工廠噪音中抽取特定機器的聲學特徵，再細微的偏離也會變得清晰可見。
• 強健的語音控制：作業員不必走到安靜角落，直接開口就能操作設備。
• 現場感知：安防與監控系統能在無關雜訊中追蹤特定聲音事件——有人呼喊、玻璃破碎、馬達卡死。
• 作業記錄：乾淨分離後的音訊，餵給轉寫與日誌系統的準確度遠高於原始混音。

單看每一項應用都不驚人。但合起來，它們指向同一層基礎設施：設施裡每套實體 AI 系統都能查詢的單一音訊模型。這正是「展示品」與「可部署平台」之間的分界。

CEATEC 現場展演才是真正的考驗

三菱電機表示，CEATEC 2026 展位（幕張展覽館，10 月 13 日至 16 日）將進行現場實機示範：麥克風即時收錄會場裡的混合音訊——機械、樂器、多人同時交談——TUSS 將即時分離出提示指定的音源，並接入語音辨識與異音診斷。展場現場音向來是最不留情面的測試台；能在那裡站穩的模型，距離量產明顯更近一步。

脈絡：音訊 AI 正默默工業化

TUSS 處在一個更大的轉向之中。過去十年，音源分離多半是拿基準資料集打分數的學術子領域。如今，隨著多模態 AI 走進實體環境——機器人、車輛、智慧基礎建設——聲學理解已經成為瓶頸技術。同時擁有研究實驗室與部署通路的工業級玩家（MERL 在 ICASSP 發表論文的同時，三菱電機出貨工廠設備），在跨越「實驗室到產線」這道純 AI 實驗室往往跨不過的鴻溝上，位置格外有利。

剩下的當然還是實體世界 AI 的老問題：提示未調校過的聲學條件下，效能會多優雅地衰退；模型在邊緣端需要多少算力；以及單一提示條件化模型能否在極端情境下追上專用模型。但方向是對的——更少脆弱的單用途模型，一個靈活的聆聽者。

對一個花了兩年爭論 token 與上下文視窗的產業來說，這是個有用的提醒：AI 的下一批難題，可能是聲學的、具身的，而且就站在工廠車間裡。