雷鋒網(wǎng) AI 科技評論按：語音到文字的轉(zhuǎn)換是語音研究領(lǐng)域的重要課題。自引入神經(jīng)網(wǎng)絡(luò)的方法以來，語音識別正確率有了長足的進(jìn)展，也為蘋果 Siri、亞馬遜 Echo、科大訊飛語音輸入法等等實際產(chǎn)品提供了生長的土壤。面對算法識別總還是比人類要差一些的現(xiàn)狀，微軟剛剛發(fā)布一篇博文公布了自己的最新成果，達(dá)到人類水平已經(jīng)不是夢想。雷鋒網(wǎng) AI 科技評論編譯如下。

2016年，微軟語音和對話研究團(tuán)隊對外公布了一則里程碑性的消息，他們在Switchboard 數(shù)據(jù)庫的對話語音識別任務(wù)中達(dá)到了人類的一致性水平，這意味著他們的系統(tǒng)識別對話中文字的能力已經(jīng)和專業(yè)的人類轉(zhuǎn)錄員一樣好。

當(dāng)時微軟的研究人員們測量的這個轉(zhuǎn)錄系統(tǒng)的單詞誤識別率為5.9%，這個表現(xiàn)已經(jīng)達(dá)到了他們測量的人類轉(zhuǎn)錄員的水平；其它的研究人員也進(jìn)行了自己的研究，運用了一個更加深入的多轉(zhuǎn)錄員協(xié)作模式，達(dá)到了更好的5.1%的人類平均單詞錯誤率。這個結(jié)果和更早的研究是相符的，其中表明如果人類更仔細(xì)、更努力地去做，他們就能夠?qū)υ捴谐霈F(xiàn)的確切單詞有更高的一致性。

一年后的8月20日，微軟語音和對話研究團(tuán)隊負(fù)責(zé)人黃學(xué)東興奮地公布了他們的最新進(jìn)展，他們的語音識別系統(tǒng)也達(dá)到了同樣的5.1%的錯誤率。這是業(yè)界的新的里程碑，也比他們?nèi)ツ甑某煽冇钟酗@著的提高。研究的細(xì)節(jié)在他們一同發(fā)表的論文「The Microsoft 2017 Conversational Speech Recognition System」中進(jìn)行了詳細(xì)介紹。

Switchboard 是一個錄制的電話對話語料庫，語音研究界用這個語料庫測試語音識別系統(tǒng)的表現(xiàn)已經(jīng)有20多年的時間。測試任務(wù)是對陌生人之間關(guān)于運動和政治話題的討論進(jìn)行從語音到文字的轉(zhuǎn)錄。

相比去年的單詞誤識別率，今年的系統(tǒng)又把它下降了12%。這個新系統(tǒng)在他們使用的基于神經(jīng)網(wǎng)絡(luò)的語音語言模型上又繼續(xù)加入了一系列改進(jìn)，其中添加了一個額外的 CNN-BLSTM（convolutional neural network combined with bidirectional long-short-term memory，帶有雙向LSTM的卷積神經(jīng)網(wǎng)絡(luò)）用來提升語音建模的效果。并且，系統(tǒng)中以前就在使用的從多個語音模型進(jìn)行綜合預(yù)測的方法，如今在幀/句音級別和單詞級別下都可以發(fā)揮效果。

除此之外，微軟的研究員們還根據(jù)整個對話過程的歷史記錄來預(yù)測接下來可能會說的話，進(jìn)一步加強了識別器的語言模型，大大增強了模型對話題和局部上下文的適應(yīng)能力。

在開發(fā)過程中，研究團(tuán)隊也從自家的大規(guī)模深度學(xué)習(xí)軟件Microsoft Cognitive Toolkit 2.1(CNTK) 中獲益匪淺，不管是探索模型架構(gòu)還是優(yōu)化模型的超參數(shù)。并且，微軟在云計算基礎(chǔ)設(shè)置方面的投資，尤其是 Azure 云GPU，也幫助提升了訓(xùn)練模型、測試新想法的效果和速度。

在過去的25年中，達(dá)到與人類水平的錯誤率都是這個領(lǐng)域的研究目標(biāo)。如今，微軟在長期研究中的投入已經(jīng)證明了它們的價值，微軟未來也會在Cortana、Presentation Translator、Microsoft Cognitive Services等自家產(chǎn)品和服務(wù)中讓用戶們感受到這些技術(shù)的好處?？吹桨偃f級的用戶每天使用這些產(chǎn)品，微軟的研究團(tuán)隊也感到非常欣慰。

在語音識別方面，業(yè)界和學(xué)術(shù)界有許多研究團(tuán)隊都做出了杰出的貢獻(xiàn)，微軟研究團(tuán)隊也表示自己從這個領(lǐng)域的整體發(fā)展中得到了很大收獲。不過，雖然在Switchboard 語音識別任務(wù)中取得了5.1%錯誤率這樣的喜人成果，整個語音研究領(lǐng)域還有許多的挑戰(zhàn)等待克服，比如在有噪音、錄音距離較遠(yuǎn)的場景下，在語音有口音的情況下，在只有非常有限的講話風(fēng)格和語言訓(xùn)練數(shù)據(jù)的條件下，達(dá)到接近人類水平的語音識別效果都還是很大的困難。另一方面，在教會了電腦把語音轉(zhuǎn)換為文字之后，下一步還要教會電腦理解其中的含義和目的。在微軟研究團(tuán)隊看來，從語音識別到語音理解將會是語音相關(guān)技術(shù)的下一個重要前沿。

論文地址：https://www.microsoft.com/en-us/research/publication/microsoft-2017-conversational-speech-recognition-system/

viaMicrosoft Research Blog，雷鋒網(wǎng)(公眾號：雷鋒網(wǎng))AI 科技評論編譯

生成海報

免責(zé)聲明：本網(wǎng)站內(nèi)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(wǎng)站出現(xiàn)的信息，均僅供參考。本網(wǎng)站將盡力確保所提供信息的準(zhǔn)確性及可靠性，但不保證有關(guān)資料的準(zhǔn)確性及可靠性，讀者在使用前請進(jìn)一步核實，并對任何自主決定的行為負(fù)責(zé)。本網(wǎng)站對有關(guān)資料所引致的錯誤、不確或遺漏，概不負(fù)任何法律責(zé)任。任何單位或個人認(rèn)為本網(wǎng)站中的網(wǎng)頁或鏈接內(nèi)容可能涉嫌侵犯其知識產(chǎn)權(quán)或存在不實內(nèi)容時，應(yīng)及時向本網(wǎng)站提出書面權(quán)利通知或不實情況說明，并提供身份證明、權(quán)屬證明及詳細(xì)侵權(quán)或不實情況證明。本網(wǎng)站在收到上述法律文件后，將會依法盡快聯(lián)系相關(guān)文章源頭核實，溝通刪除相關(guān)內(nèi)容或斷開相關(guān)鏈接。