達(dá)摩院成立快兩年之際，機(jī)器智能技術(shù)實(shí)驗(yàn)室搶先展示了一下成績。
2017 年10 月，阿里成立了達(dá)摩院，覆蓋5 個(gè)研究領(lǐng)域，建有14 個(gè)實(shí)驗(yàn)室。除了上述的“機(jī)器智能”，達(dá)摩院研究大方向還有數(shù)據(jù)計(jì)算、機(jī)器人、金融科技、X 實(shí)驗(yàn)室。
機(jī)器智能技術(shù)實(shí)驗(yàn)室側(cè)重于AI 相關(guān)技術(shù)的基礎(chǔ)研究，旗下設(shè)有語音實(shí)驗(yàn)室、視覺實(shí)驗(yàn)室、語言技術(shù)實(shí)驗(yàn)室、決策職能實(shí)驗(yàn)室、以及城市大腦實(shí)驗(yàn)室。
近日，達(dá)摩院機(jī)器智能技術(shù)實(shí)驗(yàn)室舉辦了一場小型媒體溝通會(huì)，幾位技術(shù)專家向外界介紹了最新成果和進(jìn)展。
兼具表現(xiàn)力和穩(wěn)定性的語音合成技術(shù)
首先，機(jī)器智能技術(shù)實(shí)驗(yàn)室正式發(fā)布了新的語音合成技術(shù)KAN-TTS（KAN 指的是Knowledge-Aware Neural）。TTS（Text-To-Speech，文本到語音）是一種將文字轉(zhuǎn)化成語音的技術(shù)，智能音箱、個(gè)人虛擬助理都需要這種技術(shù)支持。
達(dá)摩院機(jī)器智能語音實(shí)驗(yàn)室高級算法專家雷鳴介紹，當(dāng)前業(yè)界商用系統(tǒng)的合成語音與原始音頻錄音的接近程度，通常在85%到90%之間，而基于KAN-TTS技術(shù)的合成語音可將該數(shù)據(jù)提高到97%以上。
簡單來說，KAN-TTS 合成的語音更加像真人的語音，“接近真人韻律的感覺”。
“我們新一代的TTS 解決方案深度融合了傳統(tǒng)TTS 和端到端TTS，基于不同領(lǐng)域的深層Knowledge。”雷鳴介紹道。
所謂端到端TTS，即不依靠領(lǐng)域知識，基于強(qiáng)大的深度學(xué)習(xí)模型、海量數(shù)據(jù)來生成音頻，優(yōu)勢是大大節(jié)省設(shè)計(jì)的工作，并且得到更加流暢、表現(xiàn)力更好的合成語音，但需要大量計(jì)算力支持，而且會(huì)出現(xiàn)丟字、漏字等不穩(wěn)定的情況。Google 的Tacotron 和DeepMind 的WaveNet 都是典型的端到端TTS 模型。
而傳統(tǒng)TTS 需要花費(fèi)大量時(shí)間和精力去了解相關(guān)的領(lǐng)域知識，設(shè)計(jì)難度較高，但勝在合成的語音比較穩(wěn)定。
通過將傳統(tǒng)TTS 和端到端TTS 的結(jié)合，KAN-TTS 結(jié)合了兩者的優(yōu)勢，充分利用不同領(lǐng)域的深層Knowledge，合成表現(xiàn)力和穩(wěn)定性具佳的語音。
針對不同的需求，機(jī)器智能技術(shù)實(shí)驗(yàn)室提供了“開箱即用”的TTS 產(chǎn)品，覆蓋5 大場景（通用場景、客服場景、童聲場景、英文場景和方言場景），具備34 個(gè)高品質(zhì)的聲音。
除了“開箱即用”的聲音，達(dá)摩院這個(gè)語音合成方案還能讓專業(yè)用戶定制聲音。
傳統(tǒng)語音合成定制需要10小時(shí)以上的數(shù)據(jù)錄制和標(biāo)注，對錄音人和錄音環(huán)境要求很高?！皬膯?dòng)定制到最終交付，需要半年時(shí)間”。而達(dá)摩院利用Multi-Speaker Model與Speaker-aware Advanced Transfer Learning相結(jié)合的方法，將語音合成定制成本降低10倍以上，周期壓縮3倍以上。
也就是說，用1小時(shí)有效錄音數(shù)據(jù)和不到兩個(gè)月制作周期，就能完成一次標(biāo)準(zhǔn)TTS 定制。
此外，普通用戶也可以自己定制“AI聲音”，只需手機(jī)錄音十分鐘，就能獲得與錄制聲音高度相似的合成語音。
語音、自然語言、視覺各領(lǐng)域都有新成績
除了公布新語言合成方案，機(jī)器智能技術(shù)實(shí)驗(yàn)室還亮出了新成績。
機(jī)器智能技術(shù)實(shí)驗(yàn)室透露，阿里AI在國際頂級技術(shù)賽事上獲得了40多項(xiàng)世界第一，入選了近400篇國際頂會(huì)論文。具體到細(xì)分領(lǐng)域，機(jī)器智能技術(shù)實(shí)驗(yàn)室最近都有不同建樹。
語音領(lǐng)域，2019年1月機(jī)器智能技術(shù)實(shí)驗(yàn)室在國際頂級對話系統(tǒng)評測大賽（DSTC-7）上獲得雙料冠軍，將人機(jī)對話準(zhǔn)確率的世界紀(jì)錄提升至94.1%，并于2019年7月開源了創(chuàng)造這一記錄背后的人機(jī)對話模型ESIM。
事實(shí)，該算法模型提出了兩年多，已被包括谷歌、facebook在內(nèi)的國際學(xué)術(shù)界在200多篇論文中引用。
自然語言理解方面，機(jī)器智能技術(shù)實(shí)驗(yàn)室在6 月的MS MARCO 文本閱讀理解挑戰(zhàn)賽中，擊敗了Facebook和微軟，創(chuàng)造了閱讀理解能力測試的新紀(jì)錄，并在開放域問答任務(wù)上超越人類閱讀水平。
MS MARCO 挑戰(zhàn)賽是AI 閱讀理解領(lǐng)域的權(quán)威比賽，參賽機(jī)構(gòu)提供的AI 模型需要在搜索引擎返回的網(wǎng)頁文檔中，找出100 萬個(gè)問題的正確答案。
阿里方面介紹，阿里AI 模型的突破在于提出了基于“融合結(jié)構(gòu)化信息BERT 模型” 的“深度級聯(lián)機(jī)器閱讀模型”，可以模仿人類閱讀理解的過程，先對文檔進(jìn)行快速瀏覽，判斷，然后針對相應(yīng)段落進(jìn)行精讀，并根據(jù)“自己的理解” 回答問題。
達(dá)摩院機(jī)器翻譯技術(shù)團(tuán)隊(duì)已實(shí)現(xiàn)了48個(gè)語言翻譯方向，支持俄、西、法、阿、土，泰、印尼、越南等多種語言翻譯，其中電商覆蓋了大部分語向和場景，超越了谷歌和亞馬遜，日調(diào)用量達(dá)到17.9億次。
在機(jī)器視覺領(lǐng)域，機(jī)器智能技術(shù)實(shí)驗(yàn)室在圖像搜索、大規(guī)模圖像識別、視頻分析、線下視覺智能等領(lǐng)域都有所建樹。其中，圖像搜索領(lǐng)域，阿里AI 的向量引擎比Facebook快6倍。
機(jī)器智能技術(shù)實(shí)驗(yàn)室在6 月份剛剛結(jié)束的WebVision 競賽中，阿里AI 以82.54% 的識別準(zhǔn)確率，擊敗了全世界150多支參賽隊(duì)伍，獲得冠軍。機(jī)器智能技術(shù)實(shí)驗(yàn)室稱，阿里AI 目前可以識別超過100 萬種物理實(shí)體。
WebVison 是目前圖像識別領(lǐng)域最權(quán)威的競賽之一，專注于物體識別，被譽(yù)為接棒ImageNet 的大規(guī)模圖像識別競賽。
7 月，在CVPR2019舉辦的LPIRC（低功耗圖像識別挑戰(zhàn)賽）中，阿里AI獲得在線圖像分類任務(wù)第一名。在挑戰(zhàn)賽使用的訓(xùn)練數(shù)據(jù)集上，阿里AI實(shí)現(xiàn)了67.4%的分類精度，比官方提供的基準(zhǔn)線高3.5%。
值得注意的是，上述只是達(dá)摩院旗下機(jī)器智能技術(shù)實(shí)驗(yàn)室的進(jìn)展和成績。到2019 年10 月達(dá)摩院兩周年之際，會(huì)有更加全面的消息公布。
