2020科大訊飛全球1024開(kāi)發(fā)者節(jié)今天正式拉開(kāi)帷幕，伴隨著AI的發(fā)展，我們得以更全面和細(xì)致地洞察人們的生活習(xí)慣，并為人們提供更加智能和便捷的服務(wù)。在人工智能的應(yīng)用場(chǎng)景中，最重要的一個(gè)就是語(yǔ)音交互。針對(duì)這一點(diǎn)，科大訊飛AI研究院常務(wù)副院長(zhǎng)劉聰做了細(xì)致的講解，讓我們對(duì)當(dāng)前語(yǔ)音交互技術(shù)有了更清晰和深入的了解。

我們知道語(yǔ)音識(shí)別是訊飛的傳統(tǒng)強(qiáng)項(xiàng)，從早期的呼叫、導(dǎo)航到2010年發(fā)布的訊飛超腦語(yǔ)音云和輸入法，從而開(kāi)啟了中文語(yǔ)音輸入的新時(shí)代。通過(guò)深度學(xué)習(xí)等框架持續(xù)的迭代效果，我們又陸續(xù)推出了方言識(shí)別、遠(yuǎn)場(chǎng)交互、多麥克風(fēng)陣列等相關(guān)的功能。2015年，我們又將人機(jī)交互的場(chǎng)景拓展到人人對(duì)話的場(chǎng)景。為此我們總結(jié)出三點(diǎn)，我們將語(yǔ)音聽(tīng)寫從簡(jiǎn)單場(chǎng)景的可用做到了通用。這種場(chǎng)景的好用，語(yǔ)音轉(zhuǎn)寫從原來(lái)的不好用，做到了像演講、會(huì)議、庭審等很多復(fù)雜場(chǎng)景的好用。像語(yǔ)音控制、命令喚醒，我們也是從簡(jiǎn)單場(chǎng)景的可用，做到了復(fù)雜場(chǎng)景的好用。

隨著現(xiàn)在語(yǔ)音識(shí)別在更多場(chǎng)景的應(yīng)用，語(yǔ)音識(shí)別的下一步發(fā)展方向是什么？又有哪些技術(shù)可以從實(shí)驗(yàn)室場(chǎng)景走向成熟，還有哪些價(jià)值得我們發(fā)掘？

首先，我們認(rèn)為語(yǔ)音識(shí)別需要持續(xù)的去挑戰(zhàn)更加復(fù)雜的場(chǎng)景，去實(shí)現(xiàn)從語(yǔ)音到聲音，從單純的文字內(nèi)容識(shí)別到音頻的全場(chǎng)景解析。例如現(xiàn)在我們?cè)诜簥蕵?lè)當(dāng)中，直播、短視頻，我們可以看到這里面有很多的更加復(fù)雜的聲音場(chǎng)景需要我們?nèi)ソ鉀Q。例如在直播的過(guò)程中，背景可能是復(fù)雜多樣的，可能有視頻聲、游戲聲或者音樂(lè)聲。此外直播連麥的時(shí)候還會(huì)經(jīng)常出現(xiàn)多人混疊的對(duì)話，這些對(duì)我們的語(yǔ)音識(shí)別都會(huì)有很大的影響。除此之外，這些視頻當(dāng)中還會(huì)包含像笑聲、掌聲、各種音效等聲音，所以我們需要提出一些新的方案。當(dāng)前的框架已經(jīng)難以去解決這樣一個(gè)復(fù)雜的問(wèn)題。

針對(duì)這樣一個(gè)場(chǎng)景，我們一方面需要降低各種背景的噪聲對(duì)識(shí)別精度的影響。另外一方面，要有針對(duì)性的將我們感興趣的聲音提取出來(lái)。這里我們也是展示了全場(chǎng)景音頻解析的整體方案。首先我們是通過(guò)多分辨率特征提取的聲音檢測(cè)方案，再結(jié)合我們的序列訓(xùn)練，對(duì)一些相似聲音進(jìn)行精細(xì)建模，可以實(shí)現(xiàn)將笑聲、音效等非語(yǔ)音的聲音和語(yǔ)音內(nèi)容分離。針對(duì)包含語(yǔ)音的有效內(nèi)容，我們也使用了語(yǔ)音降噪和分離的方案，綜合利用我們的聲音、文本、說(shuō)話等信息，以及在有條件的情況下，還可以使用多模態(tài)的唇形、視線以及麥克風(fēng)陣列的空間位置等信息來(lái)進(jìn)行聯(lián)合建模。以上這些才能保證我們能夠持續(xù)保持語(yǔ)音合成以及語(yǔ)音識(shí)別技術(shù)的領(lǐng)先。

與此同時(shí)，我們也和合作伙伴一起，不斷提升在直播等復(fù)雜場(chǎng)景上的語(yǔ)音識(shí)別效果，并且準(zhǔn)確率從60%提到了85%。未來(lái)我們相關(guān)的技術(shù)也會(huì)在我們的開(kāi)放平臺(tái)——訊飛聽(tīng)見(jiàn)等上線。未來(lái)，我們會(huì)做得更好，請(qǐng)大家繼續(xù)期待。
責(zé)任編輯：PSY