【中國安防展覽網(wǎng) 品牌專欄】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(shù)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(cuò)率(CER)僅為3.71%，原業(yè)內(nèi)者約20%，大幅刷新現(xiàn)有紀(jì)錄。依圖還聯(lián)合微軟Azure推出依圖語音開放平臺(tái)，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(shù)提供給廣泛的第三方應(yīng)用，共同推動(dòng)智能語音行業(yè)的進(jìn)步。
依圖創(chuàng)新官呂昊博士
語音識別技術(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)了語音識別技術(shù)的高速發(fā)展，但相較于人臉識別在準(zhǔn)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(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、近場等受限場景。對于電話、語音節(jié)目、遠(yuǎn)場等更復(fù)雜場景，則需要針對性地開發(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(huì)顯著影響識別的準(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(huì)有很大差異。在中文語音識別技術(shù)領(lǐng)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極大挑戰(zhàn)，顯著影響終的使用體驗(yàn)。
依圖創(chuàng)新官呂昊表示，“語音識別技術(shù)經(jīng)歷了漫長的發(fā)展進(jìn)化，但至今都只能在受限的場景下才能達(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)前破局中文語音識別發(fā)展的關(guān)鍵。在語音識別領(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，做世界好的中文普通話語音識別技術(shù)。”
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(zhǔn)確率，且在單個(gè)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(gè)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(yuǎn)場測試集中，依圖均處于業(yè)界水平，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，依圖的識別準(zhǔn)確率高達(dá)96.29%，字錯(cuò)率(CER)僅為3.71%，原業(yè)內(nèi)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音識別技術(shù)的真實(shí)表現(xiàn)，在業(yè)界也屬，公開透明的體驗(yàn)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(dá)1000小時(shí)，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(biāo)注，通過了嚴(yán)格質(zhì)量檢驗(yàn)，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(gè)領(lǐng)域。
聽寫大會(huì)小程序
中文語音識別機(jī)器和人還有差距，產(chǎn)業(yè)發(fā)展任重道遠(yuǎn)
基于在語音識別領(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)合推出依圖語音開放平臺(tái)。該平臺(tái)將基于微軟Azure云，將行業(yè)的語音識別技術(shù)能力開放給廣泛的第三方應(yīng)用，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)布語音開放平臺(tái)之后，依圖與微軟還將在智能語音領(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“智能語音聯(lián)合解決方案”，該方案基于依圖語音開放平臺(tái)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(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)用可進(jìn)一步提升開發(fā)效率，從業(yè)界的語音技術(shù)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(jī)交互重要的入口。此次依圖科技在語音識別技術(shù)方面的突破，不僅意味著依圖涉足語音識別領(lǐng)域便已經(jīng)躋身中文語音識別陣營，同時(shí)也說明語音識別在技術(shù)層面還有足夠的進(jìn)化空間，遠(yuǎn)遠(yuǎn)沒有達(dá)到“超越人類”。依圖預(yù)計(jì)，在未來6個(gè)月到12個(gè)月，語音識別技術(shù)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(yīng)用帶來更大的價(jià)值。
版權(quán)與免責(zé)聲明：
凡本網(wǎng)注明“來源：智慧城市網(wǎng)”的所有作品，均為浙江興旺寶明通網(wǎng)絡(luò)有限公司-智慧城市網(wǎng)合法擁有版權(quán)或有權(quán)使用的作品，未經(jīng)本網(wǎng)授權(quán)不得轉(zhuǎn)載、摘編或利用其它方式使用上述作品。已經(jīng)本網(wǎng)授權(quán)使用作品的，應(yīng)在授權(quán)范圍內(nèi)使用，并注明“來源：智慧城市網(wǎng)”。違反上述聲明者，本網(wǎng)將追究其相關(guān)法律責(zé)任。
本網(wǎng)轉(zhuǎn)載并注明自其它來源（非智慧城市網(wǎng)）的作品，目的在于傳遞更多信息，并不代表本網(wǎng)贊同其觀點(diǎn)或和對其真實(shí)性負(fù)責(zé)，不承擔(dān)此類作品侵權(quán)行為的直接責(zé)任及連帶責(zé)任。其他媒體、網(wǎng)站或個(gè)人從本網(wǎng)轉(zhuǎn)載時(shí)，必須保留本網(wǎng)注明的作品第一來源，并自負(fù)版權(quán)等法律責(zé)任。
如涉及作品內(nèi)容、版權(quán)等問題，請?jiān)谧髌钒l(fā)表之日起一周內(nèi)與本網(wǎng)聯(lián)系，否則視為放棄相關(guān)權(quán)利。
智慧城市網(wǎng)APP
智慧城市網(wǎng)小程序
微信公眾號
移動(dòng)版
