近年來，隨著“人工智能”逐漸成為新時(shí)代科技發(fā)展的方向，整個(gè)語音行業(yè)也迅速成長。其中，尤以聽寫技術(shù)發(fā)展最為迅速，目前已廣泛在語音輸入、語音搜索、語音助手等產(chǎn)品中得到應(yīng)用并日臻成熟。

　　但語音技術(shù)并不因此止步，聽寫技術(shù)解決的是人機(jī)對話問題，更多適用于朗讀式風(fēng)格說話這類很工整的語音，專為識(shí)別而生。而現(xiàn)實(shí)的場景卻復(fù)雜得多——會(huì)議、采訪、演講、交談等自然場景下的語音第一目的并非為了轉(zhuǎn)寫，因此不僅在質(zhì)量上有先天缺陷，而且是不注重發(fā)音、語速、環(huán)境等影響因素的隨意性非工整語音，對機(jī)器的敏感度是極大的挑戰(zhàn)。這就需要在音頻的轉(zhuǎn)寫技術(shù)方面有所突破，就主流技術(shù)趨勢而言，解決會(huì)話風(fēng)格和錄音質(zhì)量兩個(gè)問題就成為技術(shù)突破的核心要求。

　　國內(nèi)語音產(chǎn)業(yè)龍頭科大訊飛在語音領(lǐng)域深耕多年，而日前科大訊飛年度發(fā)布會(huì)上亮相的最新成果恰恰包括語音轉(zhuǎn)寫方面的技術(shù)突破，讓人喜出望外。

　　兩大技術(shù)雙劍合璧 突圍人人對話

　　解決人人對話轉(zhuǎn)寫問題的難點(diǎn)在于其場景的復(fù)雜性與影響因素的多樣性，不僅需要海量的人人交談數(shù)據(jù)，更核心的是需要在海量數(shù)據(jù)基礎(chǔ)上進(jìn)行建模。為突破這一技術(shù)難點(diǎn)，經(jīng)過潛心研究，訊飛獨(dú)家推出兩大技術(shù)——篇章級處理技術(shù)和口語風(fēng)格處理技術(shù)。

　　科大訊飛通過聲學(xué)模型建模技術(shù)和語言模型建模技術(shù)的創(chuàng)新提高了通用場景的識(shí)別率，在此基礎(chǔ)上利用篇章級處理技術(shù)(包括AM自適應(yīng)、LM自適應(yīng)、領(lǐng)域LM、語義LM等)，使雜亂無章的數(shù)據(jù)變得有跡可循。值得一提的是，在提高通用識(shí)別率方面，訊飛掌握了近一兩年才成功應(yīng)用于語音識(shí)別中的最新的雙向RNN技術(shù)和當(dāng)下比較火的CTC建模技術(shù)，使得識(shí)別率比DNN技術(shù)和雙向RNN技術(shù)分別相對提升了25%和10%。目前，說話人自適應(yīng)技術(shù)已申請專利。

　　針對人人對話場景中出現(xiàn)的口語詞、猶豫詞、重復(fù)等情況，通過口語風(fēng)格處理技術(shù)，讓機(jī)器自動(dòng)學(xué)習(xí)重復(fù)、會(huì)跳弧，解決口語場景下的識(shí)別問題。

　　混響技術(shù)新突破 成就高品質(zhì)識(shí)別

　　混響降噪一直是語音轉(zhuǎn)寫的一大難點(diǎn)。對于為了聽感而錄制的有損失的語音，訊飛綜合利用DNN加混響技術(shù)和DNN去混響技術(shù)，解決遠(yuǎn)場錄音的混響問題。所謂加混響，即在近場的清晰數(shù)據(jù)基礎(chǔ)上加上混響，仿造混響數(shù)據(jù)，形成遠(yuǎn)場語音，再對機(jī)器進(jìn)行混合訓(xùn)練，使模型的魯棒性更好。降噪的方式類似。

　　而如何從源頭上解決混響和降噪似乎才是問題的關(guān)鍵，訊飛獨(dú)辟蹊徑，將技術(shù)創(chuàng)新與專為轉(zhuǎn)寫而設(shè)計(jì)的硬件設(shè)備結(jié)合來解決這一問題。在智能錄音設(shè)備上加上多麥克陣列，利用陣列解混響技術(shù)去混響。再與單麥克解混響技術(shù)結(jié)合，進(jìn)一步提高遠(yuǎn)場環(huán)境下的識(shí)別率。目前，運(yùn)用單麥克解混響技術(shù)識(shí)別率可達(dá)到90%以上。

　　文本摘要技術(shù)嶄露頭角

　　解決了人人對話場景的轉(zhuǎn)寫問題，人工智能大潮下，語音技術(shù)的下一步必然是繼續(xù)在更智能的方向朝前邁進(jìn)——文本摘要技術(shù)成為可預(yù)見的迫切需求。摘要本質(zhì)上是一種高層的語義理解，不僅國內(nèi)尚屬空白，國際范圍內(nèi)也鮮有成果。訊飛目前正在做的是先對文本進(jìn)行預(yù)處理，包括異常檢測、標(biāo)點(diǎn)預(yù)測、內(nèi)容順滑等，過濾掉識(shí)別錯(cuò)誤、重復(fù)詞、預(yù)期詞，再通過Encoder-Decoder框架解決自動(dòng)摘要問題，現(xiàn)已獲得專利，有望在明年投入使用。

　　技術(shù)的進(jìn)步終將落腳于功能和產(chǎn)品，從而服務(wù)人們的工作生活。目前，語音轉(zhuǎn)寫技術(shù)的最新發(fā)展成果已應(yīng)用于科大訊飛旗下的音頻轉(zhuǎn)文字服務(wù)平臺(tái)——訊飛聽見(www.iflyrec.com/)、手機(jī)APP錄音寶、訊飛聽見錄音筆等產(chǎn)品上，涵蓋了多種終端，成為人工智能發(fā)展的重要推力。同時(shí)，隨著移動(dòng)互聯(lián)網(wǎng)、智能硬件浪潮的到來，科大訊飛整合了各技術(shù)領(lǐng)域多年的研究成果，構(gòu)建了全球首個(gè)智能人機(jī)交互平臺(tái)——“訊飛開放平臺(tái)”：將以語音交互為核心的人工智能技術(shù)開放給業(yè)界開發(fā)者。未來，通過科大訊飛的技術(shù)開放，將有更多類似“訊飛聽見”的人工智能落地化產(chǎn)品能夠快速實(shí)現(xiàn)。