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)上的最新突破。在全球最大的中文開源數(shù)據(jù)庫AISHELL-2中，依圖短語音聽寫的字錯率(CER)僅為3.71%，領(lǐng)先原業(yè)內(nèi)領(lǐng)軍者約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”，將依圖領(lǐng)先的語音識別技術(shù)提供給廣泛的第三方應(yīng)用開發(fā)者，共同推動智能語音行業(yè)的進步。
 

　　依圖首席創(chuàng)新官呂昊博士

 

　　語音識別技術(shù)遠未成熟，技術(shù)透明度差
 

　　近年來，深度學(xué)習(xí)的爆發(fā)驅(qū)動了語音識別技術(shù)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(fù)雜場景，則需要針對性地開發(fā)不同模型，但實際應(yīng)用中的不確定性，使理想和現(xiàn)實仍有較大差距，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(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)，顯著影響最終的使用體驗。
 

　　依圖首席創(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(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，但立志推動行業(yè)創(chuàng)新與發(fā)展，做世界最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，訊飛依圖位列第一陣營
 

　　依圖此次推出的中文語音識別算法，與業(yè)內(nèi)原有領(lǐng)先者相比，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)界領(lǐng)先水平，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%，領(lǐng)先原業(yè)內(nèi)領(lǐng)軍者約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(shù)的真實表現(xiàn)，在業(yè)界也屬首次，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，是目前全球最大的中文開源數(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(lǐng)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(lǐng)域的技術(shù)突破，依圖與微軟也宣布進一步深化合作伙伴關(guān)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)領(lǐng)先的語音識別技術(shù)能力開放給廣泛的第三方應(yīng)用開發(fā)者，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。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(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(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)用開發(fā)者可進一步提升開發(fā)效率，從業(yè)界領(lǐng)先的語音技術(shù)中受益。
 

　　語音識別是AI理解世界最重要的組成部分，也是人人交互、人機交互最重要的入口。此次依圖科技在語音識別技術(shù)方面的突破，不僅意味著依圖首次涉足語音識別領(lǐng)域便已經(jīng)躋身中文語音識別第一陣營，同時也說明語音識別在技術(shù)層面還有足夠的進化空間，遠遠沒有達到“超越人類”。依圖預(yù)計，在未來6個月到12個月，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)用帶來更大的價值。