蘋果、微軟、谷歌、百度，這些公司或許是提到語音識別，用戶腦海里會浮現(xiàn)出的名字。電影《Her》里，主人公西奧多不知不覺地愛上了幽默風趣又善解人意的虛擬女友薩曼莎，盡管后者其實只是人工智能系統(tǒng)的一個化身。
近日舉行的中國人機語音交互領域權威的學術會議——全國人機語音通訊學術會議（NCMMSC2015）上，百度透露其在漢語語音識別方面獲得重大突破。據(jù)悉，百度研發(fā)出了基于多層單向LSTM（長短時記憶模型）的漢語聲韻母整體建模技術，并成功把連接時序分類（CTC）訓練技術嵌入到語音識別傳統(tǒng)技術建?？蚣苤?。該技術能夠使機器的語音識別相對錯誤率降低15%，使?jié)h語安靜環(huán)境普通話語音識別的準確率接近97%，未來將大規(guī)模應用在百度語音搜索等產(chǎn)品上。
日前，百度語音技術部負責人賈磊媒體專訪時稱，語音識別和大數(shù)據(jù)、機器學習、云計算等技術相輔相成，共同推進人工智能發(fā)展。
他表示，機器成本、高效計算等問題，是阻礙語音識別技術發(fā)展的幾個重要因素。而百度研究的CTC模型在解碼部分的速度，比傳統(tǒng)模型快5倍到10倍。配合專業(yè)的深度學習計算硬件，使后臺消耗大大降低，有助于實現(xiàn)語音識別技術的大規(guī)模普及。
一次框架性創(chuàng)新
百度方面透露，該技術創(chuàng)新是一項框架性的創(chuàng)新。這一突破也標志著，百度在世界范圍內(nèi)率先攻克了在漢語領域使用CTC技術訓練單向多層LSTM的高精度建模難題。
據(jù)了解，2011年深度學習技術引入語音識別領域，推進整個工業(yè)界的人工智能技術應用進入深度學習時代。隨后的幾年里，CNN（卷積神經(jīng)網(wǎng)絡）、LSTM（長短時記憶模型）、CNN混合LSTM的建模技術在語音識別工業(yè)產(chǎn)品中不停涌現(xiàn)，并持續(xù)提升語音識別產(chǎn)品效果。
眼下，百度把語音識別的相對錯誤率降低15%，又會帶來何種變化？對用戶而言，是識別率更準、識別速度更快。對語音服務提供者來說，成本會降低很多。
“語音識別正處于產(chǎn)業(yè)化爆發(fā)的邊緣，但機器計算成本是一個很大的瓶頸。如果線上50%的搜索都由語音完成，而計算成本還和過去一樣，那么沒有公司能承擔得起?！辟Z磊表示，語音服務要想大規(guī)模普及，必須降低后臺服務器開銷。
他隨即說，百度語音識別研究的CTC模型在解碼部分的速度比傳統(tǒng)模型快5倍到10倍。配合專業(yè)的深度學習計算硬件，當未來語音服務大規(guī)模普及時，可以讓后臺計算成本大大降低。對新技術的追趕，需要大數(shù)據(jù)、大平臺、極致計算等結合做支撐，因此百度這樣的公司在未來有優(yōu)勢。
改善方言、口音和遠場識別
媒體：既然將把此項技術用到百度語音搜索產(chǎn)品上，對應用時間表、應用前后的產(chǎn)品功能和用戶體驗差別等，能否講講？
賈磊：我預計最早11月末、最遲12月末上線。因為我們做的時候都是比著工業(yè)產(chǎn)品的體量去做的，包括模型體積、計算量、訓練速度，全部跟工業(yè)要求是一致的，所以可以很快應用到產(chǎn)品中去。
用了之后，首先語音識別會更準，其次由于它的計算量會很小，解碼速度更快，后臺成本就會很低。這個模型對方言和口音的識別效果都有一定的改善，而且對遠場識別也有一定改善。因為它是在一個建模單元的十幾幀數(shù)據(jù)中提取出來一幀最本質(zhì)最有代表性的特征來描述這個建模單元，而這個本質(zhì)特征的描述不容易隨著時間、地點而改變，所以對語音識別的穩(wěn)定性有很大的提升。
媒體：就您研究觀察，未來語音識別技術的發(fā)展趨勢以及應用場景如何？
賈磊：第一，想解決口音、噪音的問題，訓練數(shù)據(jù)還會繼續(xù)加大，現(xiàn)在幾萬個小時訓練數(shù)據(jù)是工業(yè)現(xiàn)狀，我相信在不久的未來一定是十萬小時。如果出現(xiàn)這么大的計算量，對計算能力的需求會更加強烈。所以大數(shù)據(jù)和高性能計算，是語音識別發(fā)展到目前最明顯和清晰的趨勢。
第二，是基于深度學習的個性化識別。人的口音千差萬別，不可能有一個語音識別器識別所有的聲音，一定要實現(xiàn)個性化。而這種基于深度學習的個性化識別，一定需要海量的存儲空間和很大的數(shù)據(jù)吞吐傳輸能力，這個也只有具有大數(shù)據(jù)和云計算這種服務能力的公司能夠提供。
第三個行業(yè)趨勢，語音識別技術會和語意理解、交互技術等形成一整套語音的解決方案。因為人使用語音的目的不是把語音轉(zhuǎn)成文字，而是使用語音去進行交互，并獲得其所需的服務結果。這是未來的工業(yè)發(fā)展趨勢，單純的脫離了服務、脫離了平臺、脫離了計算能力去做語音技術的時代已經(jīng)過去了。百度有場景、有內(nèi)容、有需求，語音一定會做得越來越好。
媒體：語音識別技術要和其他技術，比如大數(shù)據(jù)、機器學習和云計算等一起應用，結合技術層面來講，現(xiàn)在時機是否成熟？
賈磊：這些技術是相輔相成的。作為人工智能學科的同業(yè)者，我的感覺是，短期去看人們傾向于高估技術的價值，從長期去看人們傾向于低估技術的價值。
現(xiàn)在，人們可能傾向于覺得人工智能技術很牛，能夠解決一切問題。但是短期內(nèi)它沒有解決，因此人就會產(chǎn)生一個心理，這個技術沒用。但是，要對人工智能技術有信心，企業(yè)要敢于投入。當然，初期商業(yè)上肯定會有一些損失，可能短時間里不會為公司帶來商業(yè)價值；但長遠來看，有助于研發(fā)新技術，并獲得新的商業(yè)突破。
