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(shí)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)布一篇博文公布了本身的最新成果，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(duì)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%，這個表示已經(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)行了本身的研究，運(yùn)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，其中表白如果人類更仔細(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(duì)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)在他們一同頒發(fā)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)的表示已經(jīng)有 20 多年的時間。測試任務(wù)是對陌生人之間關(guān)于運(yùn)動和政治話題的討論進(jìn)行從語音到文字的轉(zhuǎn)錄。
比擬去年的單詞誤識別率，本年的系統(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。而且，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，微軟的研究員們還按照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(qiáng)了識別器的語言模型，大大增強(qiáng)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(duì)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)。而且，微軟在云計(jì)算基礎(chǔ)設(shè)置方面的投資，尤其是 Azure 云GPU，也幫手提升了訓(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)品和辦事中讓用戶們感受到這些技術(shù)的好處。看到百萬級的用戶每天使用這些產(chǎn)品，微軟的研究團(tuán)隊(duì)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(duì)都做出了杰出的貢獻(xiàn)，微軟研究團(tuán)隊(duì)也體現(xiàn)本身從這個領(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，好比在有噪音、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(duì)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/
