近日， 微軟宣布英語(yǔ)的語(yǔ)音識(shí)別轉(zhuǎn)錄詞錯(cuò)率僅 5.9%，達(dá)到了專業(yè)速錄員水平超越了人類。百度首席科學(xué)家吳恩達(dá)（Andrew Ng）發(fā)推特對(duì)此表示恭賀：“在 2015 年我們就超越了人類水平的漢語(yǔ)識(shí)別；很高興看到微軟在不到一年之后讓英語(yǔ)也達(dá)到了這一步?！睍r(shí)隔一年，百度、微軟兩大人工智能科技巨頭先后分別在漢語(yǔ)、英語(yǔ)語(yǔ)音識(shí)別研究方面取得了超越人類的成果，引發(fā)業(yè)界轟動(dòng)。
據(jù)悉，語(yǔ)音識(shí)別并不算是一個(gè)新興的行業(yè)，從20世紀(jì)70年代賈里尼克教授，開(kāi)始基于統(tǒng)計(jì)法和數(shù)據(jù)建立模型后，語(yǔ)音識(shí)別有了巨大飛躍。近年來(lái)，隨著數(shù)據(jù)量的豐富和計(jì)算能力的提升，語(yǔ)音識(shí)別行業(yè)迅速崛起。據(jù) TechCrunch 統(tǒng)計(jì)，僅美國(guó)至少就有 26 家公司在開(kāi)發(fā)語(yǔ)音識(shí)別技術(shù)。美國(guó)眾多企業(yè)在技術(shù)上多年的積累使之占據(jù)了絕對(duì)的行業(yè)優(yōu)勢(shì)，但中國(guó)互聯(lián)網(wǎng)企業(yè)百度近年來(lái)在語(yǔ)音識(shí)別技術(shù)上持續(xù)發(fā)力，在漢語(yǔ)語(yǔ)音識(shí)別方面取得了領(lǐng)先世界的成績(jī)，已成為該研究領(lǐng)域當(dāng)之無(wú)愧的領(lǐng)頭羊。
百度Deep Speech 2 端對(duì)端架構(gòu)
（中文有 6000 多個(gè)字符，英語(yǔ)有 29 個(gè)字符）
作為中國(guó)最大的搜索引擎公司，百度收集了大量漢語(yǔ)（尤其是普通話）的音頻數(shù)據(jù)，百度采用數(shù)千小時(shí)進(jìn)行實(shí)驗(yàn)的預(yù)研，并應(yīng)用到數(shù)萬(wàn)小時(shí)的語(yǔ)音產(chǎn)品數(shù)據(jù)庫(kù)，這給 Deep Speech 2 技術(shù)成果提供了基本的數(shù)據(jù)優(yōu)勢(shì)。在該技術(shù)首次發(fā)布時(shí)，百度研究院硅谷人工智能實(shí)驗(yàn)室（SVAIL）就在 arXiv 上發(fā)表了一篇論文《Deep Speech 2: End-to-End Speech Recognition in English and Mandarin（Deep Speech 2：端到端的英語(yǔ)和漢語(yǔ)語(yǔ)音識(shí)別）》，介紹了百度的研究成果。吳恩達(dá)表示其識(shí)別的精度當(dāng)時(shí)已經(jīng)超越了 Google Speech API、wit.ai、微軟的 Bing Speech 和蘋(píng)果的 Dictation 至少 10 個(gè)百分點(diǎn)。據(jù)百度表示，到今年 2 月份時(shí)，Deep Speech 2 的短語(yǔ)識(shí)別的詞錯(cuò)率已經(jīng)降到了 3.7%！這意味著Deep Speech 2 轉(zhuǎn)錄某些語(yǔ)音的能力「基本上是超人級(jí)的」，能夠比普通話母語(yǔ)者更精確地轉(zhuǎn)錄較短的查詢。
值得一提的是，盡管 Deep Speech 2 在漢語(yǔ)上表現(xiàn)非常不錯(cuò)，但其最初實(shí)際上并不是為理解漢語(yǔ)訓(xùn)練的。百度美國(guó)的人工智能實(shí)驗(yàn)室負(fù)責(zé)人 Adam Coates 說(shuō)：“我們?cè)谟⒄Z(yǔ)中開(kāi)發(fā)的這個(gè)系統(tǒng)，但因?yàn)樗峭耆疃葘W(xué)習(xí)的，基本上是基于數(shù)據(jù)的，所以我們可以很快地用普通話替代這些數(shù)據(jù)，從而訓(xùn)練出一個(gè)非常強(qiáng)大的普通話引擎?！?/p>
百度提出的端到端的深度學(xué)習(xí)（end-to-end deep learning）方法或者將很快實(shí)現(xiàn)更多復(fù)雜語(yǔ)種的識(shí)別問(wèn)題。該方法用神經(jīng)網(wǎng)絡(luò)完全替代了人工設(shè)計(jì)組件的流程，端到端學(xué)習(xí)讓可以處理包含噪雜環(huán)境、口音和不同語(yǔ)言的許多不同的語(yǔ)音，所以該技術(shù)既可以被用于識(shí)別漢語(yǔ)語(yǔ)音，也可以被用于識(shí)別英語(yǔ)語(yǔ)音。
對(duì)比一年之前吳恩達(dá)所說(shuō)：“SVAIL 已經(jīng)證明我們的端到端深度學(xué)習(xí)方法可被用來(lái)識(shí)別相當(dāng)不同的語(yǔ)言。我們方法的關(guān)鍵是對(duì)高性能計(jì)算技術(shù)的使用，相比于去年速度提升了 7 倍。因?yàn)檫@種效率，先前花費(fèi)兩周的實(shí)驗(yàn)如今幾天內(nèi)就能完成。這使得我們能夠更快地迭代?！毕嘈沤?jīng)過(guò)一年的技術(shù)迭代，Deep Speech 2已經(jīng)“默默”創(chuàng)造了新的奇跡。在語(yǔ)音識(shí)別領(lǐng)域，百度、微軟等巨頭的各自發(fā)力，將加速用技術(shù)跨越語(yǔ)言鴻溝的進(jìn)程，重建通天的“巴別塔”。
聯(lián)系客服
