無論是《2011太空漫游》中的 HAL 還是《星球大戰(zhàn)》中的 C-3PO，人們長期以來一直幻想著能夠與機器對話。

從智能手機助手到智能家居系統(tǒng)，再到車載語音控制系統(tǒng)，語音識別技術(shù)如今似乎已成為生活中不可或缺的一部分。但在某些場景，表現(xiàn)得并不如人意?！凹∪狻焙汀半u肉”、“北麓”和“北路”，語言的歧義性、語境的依賴性，以及溝通雙方所需的共同知識背景，都是當(dāng)前需要克服的難題。

美國學(xué)者愛德華·霍爾在1976年的著作《超越文化》中，提出了“高語境文化”與“低語境文化”的概念。高語境文化，被認為是一種注重細節(jié)、強調(diào)推斷和推理、強調(diào)群體認同和文化多樣性的文化。中文，是其中典型的代表。因此，在電影《流浪地球》中我們可以看到這樣的場景，MOSS與劉培強的交流中，多次強調(diào)避免使用比喻、反問和暗示，以減少理解上的誤差。

不僅是中文，不同語言之間在語音、語法、詞匯上的差異，以及個體獨特的口音和發(fā)音習(xí)慣，都為語音識別技術(shù)帶來了額外的挑戰(zhàn)。

在語音識別技術(shù)的應(yīng)用已相當(dāng)成熟、跨文化交流增多的今天，如何進一步提高語音識別的準(zhǔn)確率，改善人機交互體驗，為人與人之間交流打破國界、地域的阻礙？

深耕語音技術(shù)領(lǐng)域25年，在AI技術(shù)飛速躍遷的今天，科大訊飛發(fā)布了語音識別大模型，將語音識別的準(zhǔn)確率和多語種識別的效果，提升到了一個新的高度。

01無處不在，語音識別持續(xù)進化

技術(shù)角度來看，語音識別是一項融合多學(xué)科知識的前沿技術(shù)，覆蓋了數(shù)學(xué)與統(tǒng)計學(xué)、聲學(xué)與語言學(xué)、計算機與人工智能等基礎(chǔ)學(xué)科和前沿學(xué)科。簡而言之，它的核心任務(wù)是將輸入的語音信號轉(zhuǎn)換為與之匹配度最高的文字序列。

1952年，貝爾實驗室研制出世界上第一個能識別10個英文數(shù)字發(fā)音的實驗系統(tǒng)，揭開了人類使用計算機識別語音的序幕。進入90年代，伴隨個人電腦和互聯(lián)網(wǎng)普及，語音識別逐漸走出實驗室，走進公眾視野。2009年之后，深度神經(jīng)網(wǎng)絡(luò)（DNN）的引入，使得語音識別的準(zhǔn)確率顯著提升，相關(guān)產(chǎn)品開始大規(guī)模普及，技術(shù)進入新的發(fā)展階段，深入到我們?nèi)粘Ｉ畹姆椒矫婷妗?/p>

大模型技術(shù)引爆的人工智能新一輪應(yīng)用熱潮，其感知能力、認知能力、生成能力正重構(gòu)人機交互方式，不斷刷新用戶期待，在千行百業(yè)落地應(yīng)用。語音識別作為最早落地的人工智能技術(shù)之一，也悄然發(fā)生著變革。

經(jīng)過海量數(shù)據(jù)訓(xùn)練、擁有強大自然語言理解能力的大模型，給語音研究帶來了新的技術(shù)邏輯，創(chuàng)造了語音技術(shù)發(fā)展的全新機會。

通過學(xué)習(xí)更多的語言知識和上下文信息，大模型能實現(xiàn)更精準(zhǔn)的語義理解，準(zhǔn)確識別出語音內(nèi)容；同時，基于更統(tǒng)一的多任務(wù)建模能力，通過在中文、英文和其他語種的語料上進行訓(xùn)練，有助于提升語料稀缺小語種的效果。

科大訊飛作為語音領(lǐng)域的佼佼者，如今正在引領(lǐng)著語音識別技術(shù)的未來發(fā)展。

02語音行業(yè)翹楚，首發(fā)星火語音大模型

智能語音是萬物互聯(lián)機器溝通的入口，也是人工智能賦能千行萬業(yè)、浸潤千家萬戶的秘鑰。

25年前創(chuàng)業(yè)之初，科大訊飛的夢想和使命就是要實現(xiàn)人機信息溝通無障礙，并始終保持初心，長期致力于智能語音技術(shù)的源頭創(chuàng)新及產(chǎn)業(yè)化應(yīng)用。

從2010年國內(nèi)首批開展深度神經(jīng)網(wǎng)絡(luò)語音識別研究，到全球首個中文語音識別深度神經(jīng)網(wǎng)絡(luò)（DNN）上線、循環(huán)神經(jīng)網(wǎng)絡(luò)（RNN）語音識別全面升級、全球首創(chuàng)基于全序列卷積神經(jīng)網(wǎng)絡(luò)（DFCNN）的語音識別，再到近幾年持續(xù)探索無監(jiān)督預(yù)訓(xùn)練、多模態(tài)在語音識別上的應(yīng)用，訊飛不斷挑戰(zhàn)語音識別實際應(yīng)用中的技術(shù)難題。

2023年，在有“最難語音識別任務(wù)”之稱的語音領(lǐng)域權(quán)威賽事——國際多通道語音分離和識別大賽CHiME中，訊飛在大牛如云的參賽隊伍中，力壓群雄，第四次拿下冠軍。

除中英以外，科大訊飛已具備其他69種語言的語音識別能力，其中有35個語種準(zhǔn)確率超過90%（數(shù)據(jù)來源于實際應(yīng)用）。同時，訊飛開放平臺還在新加坡、俄羅斯、印度、日本等國家部署了海外站點，將語音識別、語音合成等技術(shù)，開放給海內(nèi)外開發(fā)者。

大模型時代浪潮下，科大訊飛基于深厚的技術(shù)積累，2024年1月31日正式推出星火語音大模型，引領(lǐng)萬物互聯(lián)時代的人機交互革命。在語音識別方面，中文、英語、法語、俄語等首批37個主流語種的語音識別效果超過OpenAI Whisper V3。其中，13個重點語種識別率達94%，24個主要語種識別率達90%。

03高準(zhǔn)確率+高識別率 語音識別大模型上線

讓更多人能享受到新技術(shù)帶來的便利，近期，基于星火語音大模型的語音識別大模型已在訊飛開放平臺上線，面向開發(fā)者開放調(diào)用，可以將短音頻(≤60秒)精準(zhǔn)識別成文字，除中文普通話和英文外，支持37個語種自動判別，說話過程中可以無縫切換語種，實時返回對應(yīng)語種的文字結(jié)果，并提供公有云接口及私有化部署方案。

與傳統(tǒng)的語音識別產(chǎn)品相比，語音識別大模型有著獨特的優(yōu)勢：

高識別率，高準(zhǔn)確率

基于統(tǒng)一建模的星火多語種語音識別大模型，極大提升了語音識別準(zhǔn)確度，真實還原語音內(nèi)容，提高信息獲取效率

多語種自動判別

支持中文、英語、日語、韓語、俄語、法語等37個語種的自動判別，在說話過程中可以無縫切換語種，助力跨文化交流更自由

指定語種準(zhǔn)確率更高

對于已明確語種的場景，也可以指定語種進行識別，進一步提升正確率

智能標(biāo)點

數(shù)字、標(biāo)點、大小寫和識別結(jié)果同步預(yù)測，使口語表達變規(guī)整，帶來更流暢的閱讀體驗

在開發(fā)者資源方面，除了基礎(chǔ)的WebAPI，訊飛開放平臺還提供了不同平臺的SDK，包括Android、Linux、iOS、Windows，幫助開發(fā)者將語音識別大模型能力快速集成到產(chǎn)品中。

目前，語音識別大模型能力已搭載在訊飛星火APP和訊飛翻譯機等產(chǎn)品中。

打開訊飛星火APP，用語音與星火進行對話，你所說的語音會快速被識別為精準(zhǔn)的文字，讓你直觀感受到語音識別大模型帶來的高準(zhǔn)確率和高識別率。

持續(xù)進步的語音識別技術(shù)正進一步拓展人機交互的場景邊界，在客戶服務(wù)、語音搜索、游戲娛樂、會議記錄、教育培訓(xùn)等領(lǐng)域，為人類帶來更加便捷、高效和智能的生活方式。

正如梅拉妮·米歇爾在《AI 3.0》書中強調(diào)，自動語音識別是深度學(xué)習(xí)在自然語言處理中的第一個重大成就，也是迄今為止人工智能在所有領(lǐng)域中取得的最重要的成就。這不僅是對語音識別技術(shù)的認可，更是對未來人機交互無限可能的預(yù)示。

點擊閱讀原文，免費領(lǐng)取語音識別大模型試用包，至高20萬次服務(wù)量（中文）。

文末彩蛋

2023年，科大訊飛與統(tǒng)信軟件宣布達成戰(zhàn)略合作，充分發(fā)揮各自技術(shù)和產(chǎn)品優(yōu)勢，共同探索新的商業(yè)模式，推動AI技術(shù)在各行各業(yè)的深度應(yīng)用。

統(tǒng)信軟件是全球主流操作系統(tǒng)產(chǎn)品與服務(wù)提供商，統(tǒng)信UOS桌面版發(fā)貨量累計超過600萬，服務(wù)器版發(fā)貨量增速更是位列行業(yè)前列。

近日，訊飛星火、訊飛智文已正式上架統(tǒng)信應(yīng)用商店，讓全球用戶可通過統(tǒng)信應(yīng)用商店一鍵輕松暢享AI樂趣，感受前所未有的便捷應(yīng)用與服務(wù)體驗。