自2010年上線至今，訊飛輸入法已歷過十一個春秋。十一年來，訊飛輸入法為無數(shù)用戶提供了高效精準的語音輸入體驗，現(xiàn)在每分鐘可輸入400字、識別精度超過98%。尤其是前不久剛剛發(fā)布的v11.0版本，搭載了新一代語音識別框架，語音識別更準，為復雜場景帶來更精準、更快速語音識別與輸入能力。訊飛輸入法V11.0的新一代語音識別框架是什么?為什么有如此神奇的功效?下面我們就來看看。

科大訊飛輸入法業(yè)務部總經理程坤此前在談到這問題時曾表示，相對于拼音輸入和手寫輸入來說，語音輸入最大的挑戰(zhàn)非復雜場景莫屬，因為用戶的輸入場景不可能是裝有隔音墻的錄音室，無處不在的噪聲、混響直接影響著語音識別的準確率，進而左右用戶的輸入體驗，如何保證一個比較好的識別效果是需要重點去突破的技術難點。

為此訊飛輸入法從啟動深度學習語音識別研究以來，一直在優(yōu)化迭代其語音識別模型框架，從DNN到RNN到DFCNN再到Encode-decode，不斷提升語音識別的效果，進而保證訊飛輸入法語音輸入等訊飛語音相關產品的功能持續(xù)優(yōu)化。

受到人耳具備的聽覺選擇性注意能力的啟發(fā)，訊飛提出復雜場景下的前后端一體化語音識別框架TFMA(Temporal feedback end-end multi-channel ASR)框架，將原有的語音識別過程進行重構。

訊飛輸入法V11.0搭載的正是TFMA框架。

TFMA框架的靈感源于著名的“雞尾酒會”效應，即人耳在嘈雜的環(huán)境下可以巧妙地“離開”一段對話，去聽一聽旁邊的人在說什么，屬于典型的自上(大腦)而下(聽覺系統(tǒng))的機制。而傳統(tǒng)的語音識別系統(tǒng)，往往是由麥克風陣列對音頻做降噪處理，得到單路音頻信號進行識別，遵循的是自下而上的機制。

科大訊飛由此提出了TFMA前后端一體化的方案，將語音識別的前后端聯(lián)合優(yōu)化，直接訓練多通道信號的識別模型，然后將后端模型的隱層信息反饋到前端，指導前端基于神經網絡的波束形成器更新，形成一套自下而上和自上而下結合的流程，同時引入大量的專家知識，融合神經網絡和信號處理的優(yōu)勢，保證了系統(tǒng)的魯棒性。

通過運用TFMA語音識別框架，包括訊飛輸入法、訊飛智能錄音筆、訊飛翻譯機和智能辦公本等在內軟硬件產品大大受益，這些產品在高噪聲、多人說話、輕聲說話等復雜場景下的語音識別能力再次提升，特別是-10分貝至-15分貝等惡劣場景下的識別由不可用變?yōu)楹糜?，識別結果越來越“懂你”!

除了語音識別準確率的提升，訊飛輸入法V11.0還有幾大新功能值得一提：一是語音識別和翻譯的語種，從過去的4種語言擴充到12種，包括中文、英語、俄語、法語、越語、韓語、日語、泰語、德語等等;二是候選項的合理化，用戶語音輸入結果更符合預期結果，即便是中英混合輸入也有近乎完美的呈現(xiàn)。三是對不標準普通話的識別效果更好。

訊飛輸入法V11.0是如何做到這幾點的?對此，程坤解釋道，訊飛V11.0多語種和之前的方言語音輸入方式的實現(xiàn)都依賴于訊飛的統(tǒng)一建模的技術，將各種語種、方言的語料統(tǒng)一放到一個模型中訓練，訓練過程中各種語料并不拆開，訓練完成后直接輸出，這樣即使用戶的普通話沒那么標準的情況下，訊飛輸入法也能保證一個很好的識別效果。

（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(xiàn)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(lián)系相關文章源頭核實，溝通刪除相關內容或斷開相關鏈接。 ）