2017年終解讀：語音識別技術(shù)今年只走了一半的路

　　2017年終解讀：語音識別技術(shù)今年只走了一半的路

　　這一年，百度開放了語音平臺DuerOS，阿里補貼了4個億銷售百萬智能音箱搶占語音入口。而作為語音識別的先驅(qū)龍頭，大家開始擔心科大訊飛用近二十年建立起來的技術(shù)壁壘被摧毀，有人扒訊飛的業(yè)務(wù)，有人開始扒訊飛十年的財報。

　　這一年的人工智能大潮，無疑讓更多人關(guān)注科大訊飛，關(guān)心在這樣的潮流里，一家深耕語音識別的公司如何能獲得更多業(yè)務(wù)和利潤，如何能去迎合AI上升的趨勢，從而滿足人們對人工智能的所有期望。

　　其實這一年，技術(shù)的進程還是和往年一樣。（我們從語音識別的角度來解讀2017年的進展，部分技術(shù)解讀來源自對訊飛的采訪）。

　　2017，從數(shù)據(jù)提升開始說起

　　去年IBM、微軟、谷歌和百度都發(fā)布過自家語音識別進展，而今年對媒體更新詞錯率進展的有三家：

　　2017年3月，IBM結(jié)合了 LSTM 模型和帶有 3 個強聲學模型的 WaveNet 語言模型。“集中擴展深度學習應(yīng)用技術(shù)終于取得了 5.5% 詞錯率的突破”。相對應(yīng)的是去年5月的6.9%。

　　2017年8月，微軟發(fā)布新的里程碑，通過改進微軟語音識別系統(tǒng)中基于神經(jīng)網(wǎng)絡(luò)的聽覺和語言模型，在去年基礎(chǔ)上降低了大約12%的出錯率，詞錯率為5.1%，聲稱超過專業(yè)速記員。相對應(yīng)的是去年10月的5.9%，聲稱超過人類。

　　2017年12月，谷歌發(fā)布全新端到端語音識別系統(tǒng)（State-of-the-art Speech RecogniTIon With Sequence-to-Sequence Models），詞錯率降低至5.6%。相對于強大的傳統(tǒng)系統(tǒng)有 16% 的性能提升。

　　大家的目標很一致，就是想“超過人類”，之前設(shè)定人類詞錯率為5.9%的這個界線。

　　總結(jié)來說，因為Deep CNN引入之后，語音識別取得了很大的突破，例如谷歌從2013年到現(xiàn)在，性能提升了20%。

　　而國內(nèi)語音識別的企業(yè)如百度、搜狗、科大訊飛，識別率都在97%左右。在語音識別這件事情上，漢語比英語早一年超越人類水平。

　　去年，科大訊飛又推出了全新的深度全序列卷積神經(jīng)網(wǎng)絡(luò)（DFCNN）語音識別框架，該框架的表現(xiàn)比學術(shù)界和工業(yè)界最好的雙向 RNN 語音識別系統(tǒng)識別率提升了15% 以上。今年，在實際應(yīng)用領(lǐng)域，訊飛輸入法的識別準確率在今年7月份也終于突破了97%，達到了98%。

　　技術(shù)“可用”是第一步，但技術(shù)最終是要落地的，變成產(chǎn)品和服務(wù)才能實現(xiàn)價值。

　　今年技術(shù)應(yīng)用場景有什么變化？

　　今年的產(chǎn)品落地，讓人聯(lián)想到的首先肯定是智能音箱。

　　2016年的數(shù)據(jù)統(tǒng)計表明，中國智能音箱銷售量占全球比重為0.35%，6萬：1710萬臺的差距。在2017年雙十一阿里的補貼銷售之后，終于可以說“中國智能音箱銷量在百萬以上”，“中國的智能音箱得到了爆炸式的增長”。但從需求上說，智能音箱的功能集中在聽音樂、鬧鐘、智能家居等，這些功能并不屬于國人的“剛需”。BAT巨頭都將智能音箱作為語音入口進行搶占，也給了我們一種爆發(fā)的假象。

　　但這一年，應(yīng)用場景無疑是越來越豐富?；诟鱾€領(lǐng)域的應(yīng)用拓展，智能語音技術(shù)已經(jīng)走出安靜的室內(nèi)或者私人環(huán)境，走上了服務(wù)大廳、賣場及行駛中的汽車等。技術(shù)的應(yīng)用也越來越深入。機器翻譯、遠場識別、智能降噪、多輪交互、智能打斷等技術(shù)的進步，也又給智能語音的應(yīng)用場景帶來了更多的變化。

　　在智能車載領(lǐng)域，2017年科大訊飛發(fā)布的飛魚系統(tǒng)2.0，融合了 Barge-in全雙工語音交互技術(shù)，窄波束定向識別技術(shù)，自然語義理解技術(shù)，免喚醒技術(shù)，多輪對話技術(shù)等科大訊飛核心技術(shù)。目前，科大訊飛已經(jīng)為超過200款車型，累計超過1000萬部車輛輸出了語音交互產(chǎn)品。

　　此外，在新零售領(lǐng)域，智能語音技術(shù)的應(yīng)用也在不斷擴展。比如12月18日，科大訊飛和紅星美凱龍發(fā)布戰(zhàn)略合作計劃，未來由科大訊飛研發(fā)的智能導購機器人“美美”將在全國紅星美凱龍門店上市。

　　語音識別六十年，技術(shù)突破總是艱難而緩慢

　　語音識別的研究起源可以追溯到上世紀50年代，AT&T貝爾實驗室的Audry系統(tǒng)率先實現(xiàn)了十個英文數(shù)字識別。

　　從上世紀60年代開始，CMU的Reddy開始進行連續(xù)語音識別的開創(chuàng)性工作。但是這期間進展緩慢，以至于貝爾實驗室的約翰·皮爾斯（John Pierce）認為語音識別是幾乎不可能實現(xiàn)的事情。

　　上世紀70年代，計算機性能的提升，以及模式識別基礎(chǔ)研究的發(fā)展，促進了語音識別的發(fā)展。IBM、貝爾實驗室相繼推出了實時的PC端孤立詞識別系統(tǒng)。

　　上世紀80年代是語音識別快速發(fā)展的時期，引入了隱馬爾科夫模型（HMM）。此時語音識別開始從孤立詞識別系統(tǒng)向大詞匯量連續(xù)語音識別系統(tǒng)發(fā)展。

　　上世紀90年代是語音識別基本成熟的時期，但是識別效果離實用化還相差甚遠，語音識別的研究陷入了瓶頸。

　　關(guān)鍵突破起始于2006年。這一年辛頓（Hinton）提出深度置信網(wǎng)絡(luò)（DBN），促使了深度神經(jīng)網(wǎng)絡(luò)（Deep Neural Network，DNN）研究的復蘇，掀起了深度學習的熱潮。2009年，辛頓以及他的學生默罕默德（D. Mohamed）將深度神經(jīng)網(wǎng)絡(luò)應(yīng)用于語音的聲學建模，在小詞匯量連續(xù)語音識別數(shù)據(jù)庫TIMIT上獲得成功。2011年，微軟研究院俞棟、鄧力等發(fā)表深度神經(jīng)網(wǎng)絡(luò)在語音識別上的應(yīng)用文章，在大詞匯量連續(xù)語音識別任務(wù)上獲得突破。國內(nèi)外巨頭大力開展語音識別研究。

　　科大訊飛的智能語音探索之路

　　科大訊飛在2010年首批開展DNN語音識別研究，2011年上線了全球首個中文語音識別DNN系統(tǒng)。2012年，在語音合成領(lǐng)域首創(chuàng)RBM技術(shù)。2013年又在語種識別領(lǐng)域首創(chuàng)BN-ivec技術(shù)。2014年科大訊飛開始深度布局NLP領(lǐng)域，2015年，RNN語音識別系統(tǒng)全面升級。

　　2016年，上線DFCNN（深度全序列卷積神經(jīng)網(wǎng)絡(luò)，Deep Fully ConvoluTIonal Neural Network）語音識別系統(tǒng)。在和其他多個技術(shù)點結(jié)合后，科大訊飛DFCNN的語音識別框架在內(nèi)部數(shù)千小時的中文語音短信聽寫任務(wù)上，相比目前業(yè)界最好的語音識別框架雙向RNN-CTC系統(tǒng)獲得了15%的性能提升，同時結(jié)合科大訊飛的HPC平臺和多GPU并行加速技術(shù)，訓練速度也優(yōu)于傳統(tǒng)的雙向RNN-CTC系統(tǒng)。DFCNN的提出開辟了語音識別的一片新天地，后續(xù)基于DFCNN框架，還將展開更多相關(guān)的研究工作。

　?。▓D1）DFCNN的結(jié)構(gòu)如圖所示，它直接將一句語音轉(zhuǎn)化成一張語譜圖作為輸入，即先對每幀語音進行傅里葉變換，再將時間和頻率作為圖像的兩個維度，然后通過非常多的卷積層和池化（pooling）層的組合，對整句語音進行建模，輸出單元直接與最終的識別結(jié)果比如音節(jié)或者漢字相對應(yīng)。

　?。▓D2）

　　在語音識別子領(lǐng)域上，今年科大訊飛的智能語音技術(shù)所取得的代表性的成就在自然語言理解領(lǐng)域。7月份，哈工大訊飛實驗室（HFL）刷新了斯坦福大學發(fā)起的SQuAD（Stanford QuesTIon Answering Dataset）機器閱讀理解挑戰(zhàn)賽全球紀錄，提交的“基于交互式層疊注意力模型”（Interactive Attention-over-Attention Model）取得了精確匹配77.845%和模糊匹配85.297%的成績，位列世界第一，也是中國本土研究機構(gòu)首次取得賽事榜首。

　　語音合成上，暴風雪競賽（Blizzard Challenge）是國際最權(quán)威的語音合成比賽?？拼笥嶏w以語音合成技術(shù)率先達到4.0分的成績并連續(xù)12年蟬聯(lián)全球第一名，這是全世界唯一能讓語音合成技術(shù)能夠達到真人說話水平的系統(tǒng)。5.0分代表播音員的水平，4.0分代表美國普通老百姓的發(fā)音水平。

　　在人機交互系統(tǒng)上，科大訊飛于11月發(fā)布了AIUI2.0系統(tǒng)，支持遠場降噪、方言識別和多輪對話的技術(shù)的基礎(chǔ)上又增加了主動式對話、多模態(tài)交互、自適應(yīng)、個性化識別等能力并能在嘈雜會場完成全雙工翻譯功能。

　　而科大訊飛的云端語音開放平臺，截至2017年12月，累計終端數(shù)達到15億，日均交互次數(shù)達到40億，開發(fā)者團隊數(shù)已達50萬。

　　語音識別還有哪些沒有解決的問題？

　　深度學習應(yīng)用到語音識別領(lǐng)域之后，詞錯率有顯著降低，但是并不代表解決了語音識別的所有問題。認識這些問題，想辦法去解決，是語音識別能夠取得進步的關(guān)鍵所在，將 ASR（自動語音識別）從“大部分時間僅適用于一部分人”發(fā)展到“在任何時候適用于任何人”。

　　1.口音和噪聲

　　語音識別中最明顯的一個缺陷就是對口音和背景噪聲的處理。最直接的原因是大部分的訓練數(shù)據(jù)都是高信噪比、帶有口音的語言。比如單是為美式口音英語構(gòu)建一個高質(zhì)量的語音識別器就需要 5000 小時以上的轉(zhuǎn)錄音頻，因而僅憑訓練數(shù)據(jù)很難解決掉這個問題。

　　在中國，口音問題解決得比較好的，是科大訊飛。科大訊飛目前推出了22種方言相關(guān)的語音識別系統(tǒng)，但對于那些音素體系與漢語不同的方言或外國語種，在成本問題上還沒有很好的辦法。

　　2.多人會話

　　每個說話人使用獨立的麥克風進行錄音，在同一段音頻流中不存在多個說話人的語音重疊，這種情況下的語音識別任務(wù)比較容易。然而，人類即使在多個說話人同時說話的時候也能夠理解說話內(nèi)容。一個好的會話語音識別器必須能夠根據(jù)誰在說話對音頻進行劃分（Diarisation），還應(yīng)該理解多個說話人語音重疊的音頻（聲源分離）。

　　在利用語音技術(shù)推動輸入和交互模式變革的過程中，仍面臨這些阻礙。多人對話等場景下的語音識別率雖然很高，聲紋識別雖然也已經(jīng)在實驗室實現(xiàn)，但距離實際應(yīng)用還有一些距離。

　　3.認知智能

　　語音識別技術(shù)在質(zhì)檢、安全等方面有很好的應(yīng)用，但是對于人類所希望達到100%的識別率來說，從科研角度看肯定還有很多需要繼續(xù)努力的地方。比如減少語義錯誤、理解上下文上（機器的學習和推理），我們才僅觸及皮毛。“ 認知智能有沒有真正的突破，是這一輪人工智能熱潮——包括產(chǎn)業(yè)化熱潮——能不能進一步打開天花板、進一步形成更大規(guī)模的產(chǎn)業(yè)的關(guān)鍵技術(shù)所在”，2017年底，科技部正式發(fā)文將依托科大訊飛建立首個認知智能國家重點實驗室。

　　未來五年內(nèi)，語音識別領(lǐng)域仍然存在許多開放性和挑戰(zhàn)性的問題，如，在新地區(qū)、口音、遠場和低信噪比語音方面的能力擴展；在識別過程中引入更多的上下文；Diarisation 和聲源分離；評價語音識別的語義錯誤率和創(chuàng)新方法；超低延遲和高效推理等。盡管語音識別目前成果斐然，但剩下的難題和已克服的一樣令人生畏。雖然近幾年深度神經(jīng)網(wǎng)絡(luò)的興起使得語音識別性能獲得了極大的提升，但是我們并不能迷信于現(xiàn)有的技術(shù)，總有一天新技術(shù)的提出會替代現(xiàn)有的技術(shù)。

　　除技術(shù)外，一個AI企業(yè)的那些事兒

　　人工智能催生了大量新技術(shù)、新企業(yè)和新業(yè)態(tài)，人工智能火熱背景下， 作為A股人工智能龍頭股科大訊飛，曾在一個月猛增360多億元，市值突破千億。似乎很正契合普通百姓對“AI”神化的認知。

　　2017年11月15日，中國新一代人工智能發(fā)展規(guī)劃暨重大科技項目啟動會在京召開，科技部公布我國第一批國家人工智能開放創(chuàng)新平臺，包括：1、依托百度公司建設(shè)自動駕駛國家新一代人工智能開放創(chuàng)新平臺；2、依托阿里云公司建設(shè)城市大腦國家新一代人工智能開放創(chuàng)新平臺；3、依托騰訊公司建設(shè)醫(yī)療影像國家新一代人工智能開放創(chuàng)新平臺；4、依托科大訊飛公司建設(shè)智能語音國家新一代人工智能開放創(chuàng)新平臺。作為首批入選國家新一代人工智能開放創(chuàng)新平臺，目前的科大訊飛，用劉慶峰的話說是“現(xiàn)在還未到達登頂?shù)臓顟B(tài)，只能說是已經(jīng)開始登山，剛克服了爬坡之后的艱難，開始到慢慢適應(yīng)的狀態(tài)”，如同語音識別技術(shù)現(xiàn)狀。

　　人工智能是個大趨勢，本身也是需要很重投入的，但它也會有更長遠的影響，所以不能特別短視于此時此刻的回報上。“必須具備了強技術(shù)，才能形成剛需”，“就是要把技術(shù)做深做透，做到大家真正覺得有剛需”，劉慶峰說，“我們瞄準著五到十年更前沿的技術(shù)研究”。