近日， 微軟宣布英語的語音識別轉(zhuǎn)錄詞錯率僅 5.9%，達到了專業(yè)速錄員水平超越了人類。百度首席科學家吳恩達（Andrew Ng）發(fā)推特對此表示恭賀：“在 2015 年我們就超越了人類水平的漢語識別；很高興看到微軟在不到一年之后讓英語也達到了這一步?！睍r隔一年，百度、微軟兩大人工智能科技巨頭先后分別在漢語、英語語音識別研究方面取得了超越人類的成果，引發(fā)業(yè)界轟動。
據(jù)悉，語音識別并不算是一個新興的行業(yè)，從20世紀70年代賈里尼克教授，開始基于統(tǒng)計法和數(shù)據(jù)建立模型后，語音識別有了巨大飛躍。近年來，隨著數(shù)據(jù)量的豐富和計算能力的提升，語音識別行業(yè)迅速崛起。據(jù) TechCrunch 統(tǒng)計，僅美國至少就有 26 家公司在開發(fā)語音識別技術(shù)。美國眾多企業(yè)在技術(shù)上多年的積累使之占據(jù)了絕對的行業(yè)優(yōu)勢，但中國互聯(lián)網(wǎng)企業(yè)百度近年來在語音識別技術(shù)上持續(xù)發(fā)力，在漢語語音識別方面取得了領(lǐng)先世界的成績，已成為該研究領(lǐng)域當之無愧的領(lǐng)頭羊。
百度Deep Speech 2 端對端架構(gòu)
（中文有 6000 多個字符，英語有 29 個字符）
作為中國最大的搜索引擎公司，百度收集了大量漢語（尤其是普通話）的音頻數(shù)據(jù)，百度采用數(shù)千小時進行實驗的預研，并應(yīng)用到數(shù)萬小時的語音產(chǎn)品數(shù)據(jù)庫，這給 Deep Speech 2 技術(shù)成果提供了基本的數(shù)據(jù)優(yōu)勢。在該技術(shù)首次發(fā)布時，百度研究院硅谷人工智能實驗室（SVAIL）就在 arXiv 上發(fā)表了一篇論文《Deep Speech 2: End-to-End Speech Recognition in English and Mandarin（Deep Speech 2：端到端的英語和漢語語音識別）》，介紹了百度的研究成果。吳恩達表示其識別的精度當時已經(jīng)超越了 Google Speech API、wit.ai、微軟的 Bing Speech 和蘋果的 Dictation 至少 10 個百分點。據(jù)百度表示，到今年 2 月份時，Deep Speech 2 的短語識別的詞錯率已經(jīng)降到了 3.7%！這意味著Deep Speech 2 轉(zhuǎn)錄某些語音的能力「基本上是超人級的」，能夠比普通話母語者更精確地轉(zhuǎn)錄較短的查詢。
值得一提的是，盡管 Deep Speech 2 在漢語上表現(xiàn)非常不錯，但其最初實際上并不是為理解漢語訓練的。百度美國的人工智能實驗室負責人 Adam Coates 說：“我們在英語中開發(fā)的這個系統(tǒng)，但因為它是完全深度學習的，基本上是基于數(shù)據(jù)的，所以我們可以很快地用普通話替代這些數(shù)據(jù)，從而訓練出一個非常強大的普通話引擎。”
百度提出的端到端的深度學習（end-to-end deep learning）方法或者將很快實現(xiàn)更多復雜語種的識別問題。該方法用神經(jīng)網(wǎng)絡(luò)完全替代了人工設(shè)計組件的流程，端到端學習讓可以處理包含噪雜環(huán)境、口音和不同語言的許多不同的語音，所以該技術(shù)既可以被用于識別漢語語音，也可以被用于識別英語語音。
對比一年之前吳恩達所說：“SVAIL 已經(jīng)證明我們的端到端深度學習方法可被用來識別相當不同的語言。我們方法的關(guān)鍵是對高性能計算技術(shù)的使用，相比于去年速度提升了 7 倍。因為這種效率，先前花費兩周的實驗如今幾天內(nèi)就能完成。這使得我們能夠更快地迭代?！毕嘈沤?jīng)過一年的技術(shù)迭代，Deep Speech 2已經(jīng)“默默”創(chuàng)造了新的奇跡。在語音識別領(lǐng)域，百度、微軟等巨頭的各自發(fā)力，將加速用技術(shù)跨越語言鴻溝的進程，重建通天的“巴別塔”。
