自2010年訊飛輸入法發(fā)布業(yè)界首個中文語音輸入，完成智能語音從概念技術到產(chǎn)品落地的華美轉(zhuǎn)身以來，通過九年的深入探索和技術研發(fā)，訊飛輸入法通用語音識別率提升至98%，升級支持英、日、韓、俄4門外語及23種方言等語音輸入功能，讓“增進人機溝通無障礙”的初衷得以實現(xiàn)，并通過不斷地技術創(chuàng)新，向著更自然、更便捷、更智能的應用方向?qū)嵺`。
這次，經(jīng)過創(chuàng)新和沉淀，訊飛輸入法語音輸入又有了新突破！最新版本新增語音輸入『隨心說』功能，不僅支持中英混合語音輸入免切換，同時還優(yōu)化了七大方言與普通話的混合輸入效果，大大提升了輸入體驗。
語音輸入『隨心說』是什么硬核操作？
這樣的升級能給大家?guī)砟男┎灰粯拥捏w驗呢？
簡單來說，下載使用訊飛輸入法最新版，不僅能夠準確識別用戶所說的普通話，而且支持中英混合語音輸入
中英混合語音輸入
同時也優(yōu)化了普通話與七種方言口音（東北話、天津話、河南話、皖北話、山東話、河北話、四川話）的混合語音輸入效果，進一步增強語音用戶的輸入體驗
普通話夾東北口音混合語音輸入
在復雜對話場景下，有了語音輸入『隨心說』，就能大大減少手動切換識別模式的操作，暢快使用普通話、英文、方言任意一種或中英混合、普通話與方言混合輸入，有效提高語音用戶日常的便捷性。
解讀：語音輸入『隨心說』是怎么實現(xiàn)的？
眾所周知，科大訊飛首家推出全新的語音識別框架，即深度全序列卷積神經(jīng)網(wǎng)絡（DFCNN，Deep Fully Convolutional NeuralNetwork），使用大量卷積層直接對整句語音信號進行建模，獲得出色的表達語音的長時相關性，相比循環(huán)神經(jīng)網(wǎng)絡（Recurrent Neural Network, RNN）結(jié)構(gòu)在穩(wěn)定性上更加出色，同時可以實現(xiàn)短延時的準在線解碼。
快速迭代是顛覆式創(chuàng)新的靈魂，科大訊飛攜高屋建瓴的行業(yè)之勢，基于Attention模型的核心思想，通過機器學習（ML，Machine Learning）的方法，構(gòu)建了Hybrid CNN即混合的Attention CNN模型，從而在語音界保持在進化鏈的最前端。
前沿的Hybrid CNN模型用于構(gòu)建語音識別聲學模型的全局優(yōu)化，仿照人類視覺機制，同時也借鑒人類大腦處理的一些優(yōu)勢，可謂效果更好、資源占用更小、模型更靈活的新一代語音識別系統(tǒng)。
具體來說，在DFCNN基礎上，將傳統(tǒng)卷積使用擴張卷積（Dilated conv）代替，讓每個卷積輸出都包含更大范圍的信息，使得模型不使用池化層（pooling）也可以看到很長的語音段信息，從而實現(xiàn)對語音長時相關性的更精確的表達。
與此同時，還引入了基于長短期記憶網(wǎng)絡（Long Short-Term Memory，LSTM）的門控機制（Gated Mechanism，GM），使得Hybrid CNN在長時相關性建模的過程中，能快速地過濾噪聲等干擾信息，并加強語境等長時信息，進一步提升模型的抗干擾能力，從而在實際應用中能夠保障高噪聲等復雜場景的語音識別效果。
另一個比較重要的地方在于，本次Hybrid CNN模型真正實現(xiàn)了端到端的建模。此前的端到端建模方案，如CTC等，在輸出端已經(jīng)可以做到直接輸出中文漢字，取得了一定的效果提升，但是在輸入端仍然采用人工設計的特征，這些特征在語速很快等特殊場景下就會損失信息?？拼笥嶏w這次以原始音頻波形（Raw-wave）直接建模，避免了由于人工設計的特征提取過程帶來的信息損失，真正實現(xiàn)了端到端建模，進一步提升了識別效果。
也正因為上述創(chuàng)新，使得Hybrid CNN這種前沿的語音識別框架克服了DFCNN模型參數(shù)量和計算復雜度大的問題。在保證識別效果不損失的情況下，系統(tǒng)資源占用規(guī)模和運算量同比下降了60%以上，使得Hybrid CNN可以在智能手機等移動設備上流暢運行，這也使得本地化語音的識別效果更加接近云端識別效果。
現(xiàn)在，許多人都過著“抬頭電腦、低頭手機”的日子，A.I.持續(xù)賦能訊飛輸入法，不僅提高手機輸入效率和準確率，甚至免去語音識別的切換操作，讓大家享受到A.I.帶來的全新便捷生活！
