本文來源：騰訊科技

12月11日，人工智能公司依圖科技公布了在中文語(yǔ)音識(shí)別技術(shù)上的最新突破。在全球最大的中文開源數(shù)據(jù)庫(kù)AISHELL-2中，依圖短語(yǔ)音聽寫的字錯(cuò)率（CER）僅為3.71%，領(lǐng)先原業(yè)內(nèi)領(lǐng)軍者約20%，刷新現(xiàn)有紀(jì)錄。依圖還聯(lián)合微軟Azure推出依圖語(yǔ)音開放平臺(tái)，并攜手華為發(fā)布“智能語(yǔ)音聯(lián)合解決方案”，將依圖領(lǐng)先的語(yǔ)音識(shí)別技術(shù)提供給廣泛的第三方應(yīng)用開發(fā)者，共同推動(dòng)智能語(yǔ)音行業(yè)的進(jìn)步。

依圖首席創(chuàng)新官呂昊博士

語(yǔ)音識(shí)別技術(shù)遠(yuǎn)未成熟技術(shù)透明度差

近年來，深度學(xué)習(xí)的爆發(fā)驅(qū)動(dòng)了語(yǔ)音識(shí)別技術(shù)的高速發(fā)展，但相較于人臉識(shí)別在準(zhǔn)確率方面的高增速來說，語(yǔ)音識(shí)別的發(fā)展仍較為緩慢。盡管一些機(jī)構(gòu)已宣傳達(dá)到了人類水平，但大多數(shù)情況下都來自安靜、近場(chǎng)等受限場(chǎng)景。對(duì)于電話、語(yǔ)音節(jié)目、遠(yuǎn)場(chǎng)等更復(fù)雜場(chǎng)景，則需要針對(duì)性地開發(fā)不同模型，但實(shí)際應(yīng)用中的不確定性，使理想和現(xiàn)實(shí)仍有較大差距，導(dǎo)致應(yīng)用場(chǎng)景難以得到更大突破。

對(duì)語(yǔ)音識(shí)別來說，語(yǔ)速、語(yǔ)態(tài)、語(yǔ)氣、口音等都會(huì)顯著影響識(shí)別的準(zhǔn)確率。一般認(rèn)為，字錯(cuò)率在低于3%時(shí)不會(huì)影響可讀性，而超過15%則毫無可讀性。這兩個(gè)數(shù)據(jù)可認(rèn)為是語(yǔ)音識(shí)別的兩條紅線，而在不同場(chǎng)景下，不同算法的表現(xiàn)可能會(huì)有很大差異。在中文語(yǔ)音識(shí)別技術(shù)領(lǐng)域，漢語(yǔ)的博大精深帶來的同音不同意等問題，更對(duì)語(yǔ)音識(shí)別的處理難度帶來極大挑戰(zhàn)，顯著影響最終的使用體驗(yàn)。

依圖首席創(chuàng)新官呂昊博士表示，“語(yǔ)音識(shí)別技術(shù)經(jīng)歷了漫長(zhǎng)的發(fā)展進(jìn)化，但至今都只能在受限的場(chǎng)景下才能達(dá)到較好的使用效果。我們認(rèn)為，核心技術(shù)的突破，依然是當(dāng)前破局中文語(yǔ)音識(shí)別發(fā)展的關(guān)鍵。在語(yǔ)音識(shí)別領(lǐng)域，依圖科技是一名新生，但立志推動(dòng)行業(yè)創(chuàng)新與發(fā)展，做好的中文普通話語(yǔ)音識(shí)別技術(shù)?！?/p>

訊飛依圖等各家算法差異巨大訊飛依圖具有優(yōu)勢(shì)

依圖此次推出的中文語(yǔ)音識(shí)別算法，與業(yè)內(nèi)原有領(lǐng)先者相比，不僅大幅提升了識(shí)別準(zhǔn)確率，且在單個(gè)算法模型上，有極為出色的多場(chǎng)景適用性表現(xiàn)。在業(yè)內(nèi)近期公開的AISHELL-2的三個(gè)測(cè)試子集，以及來自第三方的近場(chǎng)口音測(cè)試集、近場(chǎng)安靜聊天測(cè)試集、語(yǔ)音節(jié)目測(cè)試集、電話測(cè)試集、遠(yuǎn)場(chǎng)測(cè)試集中，依圖均處于業(yè)界領(lǐng)先水平，且字錯(cuò)率幾乎全部在15%以下。其中，在AISHELL2-2018A-EVAL數(shù)據(jù)集中，依圖的識(shí)別準(zhǔn)確率達(dá)到96.29%，字錯(cuò)率（CER）僅為3.71%，領(lǐng)先原業(yè)內(nèi)領(lǐng)軍者約20%。通過“聽寫大會(huì)”微信小程序，讓用戶可以直觀感受到語(yǔ)音識(shí)別技術(shù)的真實(shí)表現(xiàn)，在業(yè)界也屬首次，公開透明的體驗(yàn)各類算法的水平差異。

AISHELL-2是AISHELLFoundation和希爾貝殼宣布的開源數(shù)據(jù)庫(kù)，數(shù)據(jù)規(guī)模達(dá)1000小時(shí)，是目前全球最大的中文開源數(shù)據(jù)庫(kù)。它由1991名來自中國(guó)不同口音區(qū)域的發(fā)言人參與錄制，經(jīng)過專業(yè)語(yǔ)音校對(duì)人員轉(zhuǎn)寫標(biāo)注，通過了嚴(yán)格質(zhì)量檢驗(yàn)，數(shù)據(jù)庫(kù)文本正確率在96%以上，錄音文本涉及喚醒詞、語(yǔ)音控制詞、智能家居、無人駕駛、工業(yè)生產(chǎn)等12個(gè)領(lǐng)域。

中文語(yǔ)音識(shí)別機(jī)器和人還有差距產(chǎn)業(yè)發(fā)展任重道遠(yuǎn)

基于在語(yǔ)音識(shí)別領(lǐng)域的技術(shù)突破，依圖與微軟也宣布進(jìn)一步深化合作伙伴關(guān)系，聯(lián)合推出依圖語(yǔ)音開放平臺(tái)。該平臺(tái)將基于微軟Azure云，將行業(yè)領(lǐng)先的語(yǔ)音識(shí)別技術(shù)能力開放給廣泛的第三方應(yīng)用開發(fā)者，并攜手為廣大用戶和客戶提供更全面的服務(wù)及更好的體驗(yàn)。在聯(lián)合發(fā)布語(yǔ)音開放平臺(tái)之后，依圖與微軟還將在智能語(yǔ)音領(lǐng)域展開更深層次的合作，共建AI生態(tài)。

依圖還攜手華為聯(lián)合發(fā)布“智能語(yǔ)音聯(lián)合解決方案”，該方案基于依圖語(yǔ)音開放平臺(tái)及華為全棧全場(chǎng)景昇騰（Ascend）系列芯片和面向數(shù)據(jù)中心側(cè)的Atlas300AI加速卡，將雙方強(qiáng)大的技術(shù)研發(fā)能力與生態(tài)服務(wù)能力深度結(jié)合，形成軟硬件一體化的聯(lián)合解決方案。借助該解決方案，第三方應(yīng)用開發(fā)者可進(jìn)一步提升開發(fā)效率，從業(yè)界領(lǐng)先的語(yǔ)音技術(shù)中受益。

語(yǔ)音識(shí)別是AI理解世界最重要的組成部分，也是人人交互、人機(jī)交互最重要的入口。此次依圖科技在語(yǔ)音識(shí)別技術(shù)方面的突破，不僅意味著依圖在語(yǔ)音識(shí)別領(lǐng)域已躋身中文語(yǔ)音識(shí)別前列，同時(shí)也說明語(yǔ)音識(shí)別在技術(shù)層面還有足夠的進(jìn)化空間。依圖預(yù)計(jì)，在未來6個(gè)月到12個(gè)月，語(yǔ)音識(shí)別技術(shù)的算法性能將呈指數(shù)級(jí)增長(zhǎng)，更多的場(chǎng)景將被解鎖，為行業(yè)應(yīng)用帶來更大的價(jià)值。