<mark id="oztn4"></mark>
0
眼下，行業巨頭都在打造自己的智能語音生態系統，國外有IBM、微軟、Google等，國內則有百度、阿里、科大訊飛、搜狗和云知聲。
但這一次，四大AI獨角獸之一的依圖科技也正式拿到入場券了。
雷鋒網12月11日消息，依圖科技今日公布了其在中文語音識別技術上的最新突破，宣稱在全球最大的中文開源數據庫AISHELL-2中，依圖短語音聽寫的字錯率（CER）僅為3.71%，相比原業內領先者提升約20%，大幅刷新現有紀錄。
此外，依圖科技現場宣布了與微軟Azure和華為的兩大全新合作。
為何此時入局？
對于依圖來說，從計算機視覺進入到語音識別，是一次巨大的跳躍，因為目前行業巨頭林立，入局者比依圖更早拿到市場份額。
但是依圖首席創新官呂昊博士看來，現在的語音識別技術發展還是不夠的，相較于人臉識別的準確率而言，語音識別發展目前都比較緩慢，無論是學術界還是工業界，對于語音市場都很看好，這意味著未來發揮空間十分巨大。
雷鋒網也了解到，語音識別技術其實幾十年前就在發展，從50年代的貝爾研究所到八九十年代美國和日本在該技術上的突破，從軟件到硬件都在取得進展；我國語音識別研究起始于1958年，后來的“863計劃”中語音識別成為重要課題，中國的語音識別技術開始進入了真正研究階段。
但由于語音的場景復雜，技術突破一直處于緩慢的狀態，目前應用較好的也只是特定的幾個場景。目前業內一些機構已宣傳識別技術達到了人類水平，但大多數情況下都來自安靜、近場等受限環境下的結果。而復雜的場景諸如電話、語音節目、遠場、混響、噪聲、口音、語音節目等，則需要針對性地開發不同模型。
“但技術無法束縛我們的想象力。”
呂昊上任依圖首席創新官近一年時間，去年年底，他辭去了在Google的工作，離開了生活十年的美國，回國加入依圖。他覺得，在語音識別領域，依圖科技是一名新生，但立志扮演創造行業拐點的角色。
“依圖入局語音市場的初心就是源于好奇心，想用算法技術推動實際問題的解決。我們在AI領域做了那么多年，已經能深入理解和推廣人工智能的應用了。”
可見，作為AI理解世界重要的組成部分，作為人人交互、人機交互最重要的入口，語音識別正在拉伸依圖的AI版圖。
盡管這次官方說法是“首次進入語音行業”，但實際上，依圖一直都有涉獵這個領域，語音和語義的相關技術之前在其醫療的相關產品中有過展示，只是沒有公布。
呂昊坦言，科大訊飛做語音技術，的確是業內領先的，但是科大訊飛的語音有多好、和其他語音的距離有多遠這些方面，其實很難界定——因為不太透明。準確率上，行業水平都是98%-99%，在什么情況下測的，大家也無法評判。
實際上，入局語音市場，還有個因素，呂昊也一并告訴了雷鋒網。
“工業界目前做語音識別的水平已經遠遠超過學術界，在一些公開數據集上有著1-3倍的性能提升。而工業界目前做語音技術的就那么幾家，靠學術界去往前推進商業模式，似乎沒有可選的路徑，因為數據成本非常之高。干脆自己來做。”
聯手巨頭：有了華為和微軟，語音市場的入場券拿的更快
這一次，選擇新賽道，依圖并非想做“孤膽英雄”。
因為華為、微軟都選擇和依圖站在了一起。
發布會現場，依圖宣布聯合微軟Azure推出依圖語音開放平臺，會向第三方開放，后續兩家公司將在智能語音領域雙方有新的動作。
此外，依圖還聯合華為發布“智能語音聯合解決方案”，該方案基于依圖語音開放平臺及華為全棧全場景昇騰（Ascend）系列芯片和面向數據中心側的Atlas 300 AI加速卡，也向第三方開放。
“我們始終認為，核心技術的突破，依然是當前破局中文語音識別發展的關鍵。”呂昊表示。
當下，AI產業鏈由基礎層、技術層與應用層構成。同樣，智能語音識別亦由這三層組成。基于大量數據的積累、深度神經網絡模型的發展及算法的迭代優化，近年，語音識別準確率取得了不斷的提升，外界也在各個巨頭的測試結果中觀察到了“媲美人類”、“與人相似”等字眼。
但語音識別領域一直存在兩條紅線：3%和15%。
一般認為，字錯率在低于3%時不會影響文字可讀性，而超過15%則毫無可讀性，體驗好感大大降低。在不同場景下，不同算法的表現可能會有很大差異。尤其是中文語音識別技術領域，漢語的博大精深帶來的同音不同意等問題，更對語音識別的處理難度帶來極大挑戰，顯著影響最終的使用體驗。
會上，依圖推出的中文語音識別算法，與業內原有領先者相比準確率大幅提升。
近期公開的AISHELL-2的三個測試子集，以及來自第三方的近場口音測試集、近場安靜聊天測試集、語音節目測試集、電話測試集、遠場測試集中，依圖字錯率幾乎全部在15%以下（未過紅線）。
雷鋒網注：AISHELL-2是AISHELL Foundation和希爾貝殼宣布的開源數據庫，數據規模達1000小時，是目前全球最大的中文開源數據庫。它由1991名來自中國不同口音區域的發言人參與錄制，經過專業語音校對人員轉寫標注，通過了嚴格質量檢驗，數據庫文本正確率在96%以上。
值得一提的是，在AISHELL2-2018A-EVAL數據集中，依圖的識別準確率高達96.29%，字錯率（CER）僅為3.71%。
入局超百億美元市場了，依圖覺得自己“還年輕”
智能語音技術是人工智能應用最成熟的技術之一，并擁有交互的自然性，因而，其具有巨大的市場空間。
中國語音產業聯盟《2015中國智能語音產業發展白皮書》數據顯示，2017年全球智能語音產業規模將首次超過百億美元，達到105億美元。中國2017年智能語音產業規模也將首次突破百億元，五年復合增長率超過60%。
此前，科大訊飛發布2018年Q3報告，前三季度實現營收52.83億元，同比增長56%，主要由于持續加大AI相關領域的研發投入、生態體系構建的投入以及在教育、政法、醫療、智慧城市等重點賽道的市場布局投入。科大訊飛高級副總裁、研究院院長胡國平在公開場合表示，科大訊飛在語音識別錯誤率方面每年相對下降30%以上。
呂昊直言，從數據量、入局時間等角度來看，依圖和BAT、科大訊飛等相差很多量級，但是作為新秀，正是看到市場變動慢才覺得有機會，也是以這種發布會的形式讓外界了解語音市場的真實現狀。
對于語音開放平臺發布之后的場景落地，呂昊表示，眼下依圖并沒有特別針對某個場景去發力，而是先推出普適性的語音開放平臺，走向通用化，方便外界調動API，在不同場景都能實現工作算法的修改和數據的搜集。
值得一提的是，依圖在現場發布了“聽寫大會”微信小程序，讓用戶可以在不超過60秒時間內直觀感受到語音識別技術的真實表現，在業界也屬首次，公開透明的體驗各類算法的水平差異。
語音識別技術近年進展
語音市場進入新玩家，異常火熱，作為重度關注AI領域的雷鋒網，也曾梳理了近年來語音識別技術發展基本軌跡：
2017 年 3 月，IBM 結合了 LSTM 模型和帶有 3 個強聲學模型的 WaveNet 語言模型。其中集中擴展深度學習應用技術終于取得了 5.5% 錯詞率的突破。
2017 年 8 月，微軟通過改進微軟語音識別系統中基于神經網絡的聽覺和語言模型，在2016年基礎上降低了大約 12% 的出錯率，錯詞率為 5.1%。
2017 年 12 月，谷歌發布全新端到端語音識別系統（State-of-the-art Speech Recognition With Sequence-to-Sequence Models），錯詞率降低至 5.6%。
2018 年 6 月，阿里巴巴達摩院推出了新一代語音識別模型 DFSMN，將全球語音識別準確率紀錄提高至 96.04%，錯詞率降低至 3.96%。
2018 年 10 月，云從科技發布全新 Pyramidal-FSMN 語音識別模型，將錯詞率（Worderrorrate，WER）降低至 2.97%，較之前提升了 25%。
當然，今天，我們需要記上一筆2018年12月11日依圖的這次語音開放平臺發布會。
站在AI的路口，依圖科技又進一步了。
雷峰網原創文章，未經授權禁止轉載。詳情見轉載須知。
