微軟語音識別錯率僅 5.9% 水平超越人類

近日， 微軟宣布英語的語音識別轉錄詞錯率僅 5.9%，達到了專業(yè)速錄員水平超越了人類。百度首席科學家吳恩達（Andrew Ng）發(fā)推特對此表示恭賀：“在 2015 年我們就超越了人類水平的漢語識別；很高興看到微軟在不到一年之后讓英語也達到了這一步。”時隔一年，百度、微軟兩大人工智能科技巨頭先后分別在漢語、英語語音識別研究方面取得了超越人類的成果，引發(fā)業(yè)界轟動。

據悉，語音識別并不算是一個新興的行業(yè)，從20世紀70年代賈里尼克教授，開始基于統(tǒng)計法和數據建立模型后，語音識別有了巨大飛躍。近年來，隨著數據量的豐富和計算能力的提升，語音識別行業(yè)迅速崛起。據 TechCrunch 統(tǒng)計，僅美國至少就有 26 家公司在開發(fā)語音識別技術。美國眾多企業(yè)在技術上多年的積累使之占據了絕對的行業(yè)優(yōu)勢，但中國互聯網企業(yè)百度近年來在語音識別技術上持續(xù)發(fā)力，在漢語語音識別方面取得了領先世界的成績，已成為該研究領域當之無愧的領頭羊。

 作為中國最大的搜索引擎公司，百度收集了大量漢語（尤其是普通話）的音頻數據，百度采用數千小時進行實驗的預研，并應用到數萬小時的語音產品數據庫，這給 Deep Speech 2 技術成果提供了基本的數據優(yōu)勢。在該技術首次發(fā)布時，百度研究院硅谷人工智能實驗室（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：端到端的英語和漢語語音識別）》，介紹了百度的研究成果。吳恩達表示其識別的精度當時已經超越了 Google Speech API、wit.ai、微軟的 Bing Speech 和蘋果的 Dictation 至少 10 個百分點。據百度表示，到今年 2 月份時，Deep Speech 2 的短語識別的詞錯率已經降到了 3.7%！這意味著Deep Speech 2 轉錄某些語音的能力「基本上是超人級的」，能夠比普通話母語者更精確地轉錄較短的查詢。

值得一提的是，盡管 Deep Speech 2 在漢語上表現非常不錯，但其最初實際上并不是為理解漢語訓練的。百度美國的人工智能實驗室負責人 Adam Coates 說：“我們在英語中開發(fā)的這個系統(tǒng)，但因為它是完全深度學習的，基本上是基于數據的，所以我們可以很快地用普通話替代這些數據，從而訓練出一個非常強大的普通話引擎。”

百度提出的端到端的深度學習（end-to-end deep learning）方法或者將很快實現更多復雜語種的識別問題。該方法用神經網絡完全替代了人工設計組件的流程，端到端學習讓可以處理包含噪雜環(huán)境、口音和不同語言的許多不同的語音，所以該技術既可以被用于識別漢語語音，也可以被用于識別英語語音。

對比一年之前吳恩達所說：“SVAIL 已經證明我們的端到端深度學習方法可被用來識別相當不同的語言。我們方法的關鍵是對高性能計算技術的使用，相比于去年速度提升了 7 倍。因為這種效率，先前花費兩周的實驗如今幾天內就能完成。這使得我們能夠更快地迭代。”相信經過一年的技術迭代，Deep Speech 2已經“默默”創(chuàng)造了新的奇跡。在語音識別領域，百度、微軟等巨頭的各自發(fā)力，將加速用技術跨越語言鴻溝的進程，重建通天的“巴別塔”。

生成海報

免責聲明：本網站內容主要來自原創(chuàng)、合作伙伴供稿和第三方自媒體作者投稿，凡在本網站出現的信息，均僅供參考。本網站將盡力確保所提供信息的準確性及可靠性，但不保證有關資料的準確性及可靠性，讀者在使用前請進一步核實，并對任何自主決定的行為負責。本網站對有關資料所引致的錯誤、不確或遺漏，概不負任何法律責任。任何單位或個人認為本網站中的網頁或鏈接內容可能涉嫌侵犯其知識產權或存在不實內容時，應及時向本網站提出書面權利通知或不實情況說明，并提供身份證明、權屬證明及詳細侵權或不實情況證明。本網站在收到上述法律文件后，將會依法盡快聯系相關文章源頭核實，溝通刪除相關內容或斷開相關鏈接。