“因?yàn)樯蹲硬豢梢赞k銀行卡?”

——語音識別結(jié)果:“為啥不能辦理銀行卡?”

隨著科技的發(fā)展,語音識別技術(shù)不斷迭代,逐漸由普通話識別向多語種、方言以及混合語言識別的方向發(fā)展,語音識別效果顯著提升,滿足了多樣化的場景需求。

目前業(yè)界普遍采用的語音識別系統(tǒng)的核心主要由聲學(xué)模型、語言模型、解碼器三部分構(gòu)成。語音識別的效果,離不開語音廠商對聲學(xué)模型、語言模型的不斷更新優(yōu)化。

“千語千訓(xùn)”是一套融合算法技術(shù)與工程服務(wù)創(chuàng)新的語音識別自動(dòng)優(yōu)化系統(tǒng),可以將原本由算法工程師承擔(dān)的工作以自動(dòng)化執(zhí)行的方式完成,一方面可以將算法人員從重復(fù)性的工作中解放出來,另一方面,可提高語音識別效果、降低模型更新周期和成本。

思必馳依托于“千語千訓(xùn)”系統(tǒng),可以實(shí)現(xiàn)算法人員0人工介入,自動(dòng)更新模型,實(shí)現(xiàn)語音識別系統(tǒng)更新頻率從周級到天級的提升。

自動(dòng)化更新,三大法寶助力語音識別技術(shù)升級

影響語音識別效果的外部因素主要為說話人、周圍環(huán)境和收音設(shè)備,內(nèi)在因素則是前端的信號處理、特征提取、聲學(xué)模型、語言模型,語音識別探索之路上,離不開對聲音模型、語言模型等模塊的訓(xùn)練優(yōu)化。

1)主動(dòng)學(xué)習(xí)技術(shù),有效篩選數(shù)據(jù)

目前,語音識別建模的主流方法是基于深度學(xué)習(xí)的有監(jiān)督數(shù)據(jù)建模,這需要大量帶標(biāo)注的數(shù)據(jù)供模型進(jìn)行學(xué)習(xí)。

隨著海量訓(xùn)練數(shù)據(jù)的應(yīng)用,語音識別系統(tǒng)已經(jīng)能夠較準(zhǔn)確的識別常見語音。但對于“元宇宙”“數(shù)字藏品”“栓Q”等新興領(lǐng)域以及復(fù)雜環(huán)境下的語音,準(zhǔn)確率尚待進(jìn)一步提高。目前,業(yè)內(nèi)常用的優(yōu)化方法是及時(shí)將這類識別準(zhǔn)確率不高的語音進(jìn)行標(biāo)注用以訓(xùn)練模型,那么,該如何在海量的線上數(shù)據(jù)中尋找此類具有訓(xùn)練價(jià)值的數(shù)據(jù)呢?

思必馳采用基于主動(dòng)學(xué)習(xí)數(shù)據(jù)篩選的方法來解決上述問題。通過自監(jiān)督學(xué)習(xí)、置信度和神經(jīng)網(wǎng)絡(luò)預(yù)測等技術(shù)結(jié)合的方法,快速定位更具價(jià)值的數(shù)據(jù),經(jīng)專家標(biāo)注后用于模型的優(yōu)化迭代。這種方法既減少了優(yōu)化模型所需的數(shù)據(jù)量,降低了成本,又提升了語音識別效果。

2)混合監(jiān)督語音識別模型,低成本、高效益

語音識別模型準(zhǔn)確率的提高,需要大量的有監(jiān)督數(shù)據(jù)對模型進(jìn)行優(yōu)化訓(xùn)練,但獲取此類有準(zhǔn)確標(biāo)注結(jié)果的數(shù)據(jù)費(fèi)用較高,周期較長,一定程度上提高了優(yōu)化語音識別系統(tǒng)的成本。

近年來,半監(jiān)督訓(xùn)練、自監(jiān)督訓(xùn)練等技術(shù)取得了良好的研究和應(yīng)用成果,特別是在低資源識別場景中,能夠較為明顯的提升語音識別優(yōu)化效果。思必馳融合了有監(jiān)督、半監(jiān)督、自監(jiān)督等方法,提出混合監(jiān)督優(yōu)化方案,充分挖掘數(shù)據(jù)價(jià)值,持續(xù)優(yōu)化語音識別模型,獲得更好的語音識別效果。

3)一站式自動(dòng)化,語音識別系統(tǒng)高頻迭代

傳統(tǒng)上,語音識別系統(tǒng)中只有熱詞和定制語言模型部分可以通過自動(dòng)化手段以較高頻率進(jìn)行優(yōu)化,而聲學(xué)模型等其它系統(tǒng)關(guān)鍵模塊則因?yàn)樾枰惴▽＜医槿?難以高頻更新。

思必馳最新推出的“千語千訓(xùn)”自動(dòng)優(yōu)化系統(tǒng),是一款融合了基于主動(dòng)學(xué)習(xí)的數(shù)據(jù)篩選、自動(dòng)送標(biāo)、混合監(jiān)督聲學(xué)和語言模型訓(xùn)練、自動(dòng)化測試和上線發(fā)布等功能模塊的集成自動(dòng)化方案。

“千語千訓(xùn)”自動(dòng)優(yōu)化系統(tǒng),全流程只有部分?jǐn)?shù)據(jù)標(biāo)注環(huán)節(jié)需要人員參與,其余流程均可以自動(dòng)化完成,實(shí)現(xiàn)語音識別模型更新頻率從周級到天級的提升,及時(shí)優(yōu)化時(shí)效熱點(diǎn)話術(shù)和難點(diǎn)場景,保證模型與時(shí)俱進(jìn)。

穩(wěn)扎穩(wěn)打,語音識別技術(shù)碩果累累

在語音識別技術(shù)上,思必馳獲得業(yè)內(nèi)多項(xiàng)肯定。

錢彥旻團(tuán)隊(duì)的成果“魯棒語音信號模式分析與識別的深度結(jié)構(gòu)化建模理論與方法”摘得吳文俊人工智能自然科學(xué)獎(jiǎng)一等獎(jiǎng);思必馳-上海交大聯(lián)合團(tuán)隊(duì)榮獲IWSLT 2022英中同聲傳譯冠軍;思必馳語音識別準(zhǔn)確率高達(dá)98%(中國信息通信研究院檢測,報(bào)告編號:V21Y000005),并具有反饋速度快、快速定制、強(qiáng)魯棒性等優(yōu)勢。

目前,思必馳語音識別技術(shù)除可以支持中文普通話外,還可以支持川、粵等十余種方言,以及英語等多種外語,廣泛落地于車載、家居、金融、辦公等領(lǐng)域。此外,思必馳推出DUI標(biāo)注訓(xùn)練一體化平臺,賦能客戶自主優(yōu)化應(yīng)用場景中的識別體驗(yàn)。

時(shí)間的書頁不斷被掀開,AI發(fā)展日新月異。思必馳語音識別技術(shù)不斷邁向更準(zhǔn)確、更豐富、更智能的道路。未來,思必馳將不斷優(yōu)化語音識別鏈路策略,進(jìn)一步縮短通用語音識別模型更新周期,滿足不斷發(fā)展的業(yè)務(wù)需要,支持更多場景領(lǐng)域。

審核編輯 黃昊宇