12月11日，人工智能公司依圖科技公布了在中文語音識別技術上的新突破。在大的中文開源數(shù)據(jù)庫aishell-2中，依圖短語音聽寫的字錯率(cer)僅為3.71%，原業(yè)內(nèi)者約20%，大幅刷新現(xiàn)有紀錄。依圖還聯(lián)合微軟azure推出依圖語音開放平臺，并攜手華為發(fā)布“智能語音聯(lián)合解決方案”，將依圖的語音識別技術提供給廣泛的第三方應用，共同推動智能語音行業(yè)的進步。
依圖創(chuàng)新官呂昊博士
語音識別技術遠未成熟，技術透明度差
近年來，深度學習的爆發(fā)驅(qū)動了語音識別技術的高速發(fā)展，但相較于人臉識別在準確率方面的高增速來說，語音識別的發(fā)展仍較為緩慢。盡管一些機構(gòu)已宣傳達到了人類水平，但大多數(shù)情況下都來自安靜、近場等受限場景。對于電話、語音節(jié)目、遠場等更復雜場景，則需要針對性地開發(fā)不同模型，但實際應用中的不確定性，使理想和現(xiàn)實仍有較大差距，導致應用場景難以得到更大突破。
對語音識別來說，語速、語態(tài)、語氣、口音等都會顯著影響識別的準確率。一般認為，字錯率在低于3%時不會影響可讀性，而超過15%則毫無可讀性。這兩個數(shù)據(jù)可認為是語音識別的兩條紅線，而在不同場景下，不同算法的表現(xiàn)可能會有很大差異。在中文語音識別技術領域，漢語的博大精深帶來的同音不同意等問題，更對語音識別的處理難度帶來*挑戰(zhàn)，顯著影響終的使用體驗。
依圖創(chuàng)新官呂昊表示，“語音識別技術經(jīng)歷了漫長的發(fā)展進化，但至今都只能在受限的場景下才能達到較好的使用效果。我們認為，核心技術的突破，依然是當前破局中文語音識別發(fā)展的關鍵。在語音識別領域，依圖科技是一名新生，但立志推動行業(yè)創(chuàng)新與發(fā)展，做世界好的中文普通話語音識別技術。”
訊飛依圖bat各家算法差異巨大，訊飛依圖位列陣營
依圖此次推出的中文語音識別算法，與業(yè)內(nèi)原有者相比，不僅大幅提升了識別準確率，且在單個算法模型上，有極為出色的多場景適用性表現(xiàn)。在業(yè)內(nèi)近期公開的aishell-2的三個測試子集，以及來自第三方的近場口音測試集、近場安靜聊天測試集、語音節(jié)目測試集、電話測試集、遠場測試集中，依圖均處于業(yè)界水平，且字錯率幾乎全部在15%以下。其中，在aishell2-2018a-eval數(shù)據(jù)集中，依圖的識別準確率高達96.29%，字錯率(cer)僅為3.71%，原業(yè)內(nèi)者約20%。通過“聽寫大會”微信小程序，讓用戶可以直觀感受到語音識別技術的真實表現(xiàn)，在業(yè)界也屬，公開透明的體驗各類算法的水平差異。
aishell-2是aishell foundation和希爾貝殼宣布的開源數(shù)據(jù)庫，數(shù)據(jù)規(guī)模達1000小時，是目前大的中文開源數(shù)據(jù)庫。它由1991名來自中國不同口音區(qū)域的發(fā)言人參與錄制，經(jīng)過專業(yè)語音校對人員轉(zhuǎn)寫標注，通過了嚴格質(zhì)量檢驗，數(shù)據(jù)庫文本正確率在96%以上，錄音文本涉及喚醒詞、語音控制詞、智能家居、無人駕駛、工業(yè)生產(chǎn)等12個領域。
聽寫大會小程序
中文語音識別機器和人還有差距，產(chǎn)業(yè)發(fā)展任重道遠
基于在語音識別領域的技術突破，依圖與微軟也宣布進一步深化合作伙伴關系，聯(lián)合推出依圖語音開放平臺。該平臺將基于微軟azure云，將行業(yè)的語音識別技術能力開放給廣泛的第三方應用，并攜手為廣大用戶和客戶提供更全面的服務及更好的體驗。在聯(lián)合發(fā)布語音開放平臺之后，依圖與微軟還將在智能語音領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“智能語音聯(lián)合解決方案”，該方案基于依圖語音開放平臺及華為全棧全場景昇騰(ascend)系列芯片和面向數(shù)據(jù)中心側(cè)的atlas 300 ai加速卡，將雙方強大的技術研發(fā)能力與生態(tài)服務能力深度結(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，第三方應用可進一步提升開發(fā)效率，從業(yè)界的語音技術中受益。
語音識別是ai理解世界重要的組成部分，也是人人交互、人機交互重要的入口。此次依圖科技在語音識別技術方面的突破，不僅意味著依圖涉足語音識別領域便已經(jīng)躋身中文語音識別陣營，同時也說明語音識別在技術層面還有足夠的進化空間，遠遠沒有達到“超越人類”。依圖預計，在未來6個月到12個月，語音識別技術的算法性能將呈指數(shù)級增長，更多的場景將被解鎖，為行業(yè)應用帶來更大的價值。