科大訊飛引領(lǐng)語(yǔ)音識(shí)別技術(shù)新篇章

無(wú)論是《2011太空漫游》中的 HAL 還是《星球大戰(zhàn)》中的 C-3PO，人們長(zhǎng)期以來(lái)一直幻想著能夠與機(jī)器對(duì)話(huà)。

從智能手機(jī)助手到智能家居系統(tǒng)，再到車(chē)載語(yǔ)音控制系統(tǒng)，語(yǔ)音識(shí)別技術(shù)如今似乎已成為生活中不可或缺的一部分。但在某些場(chǎng)景，表現(xiàn)得并不如人意?！凹∪狻焙汀半u肉”、“北麓”和“北路”，語(yǔ)言的歧義性、語(yǔ)境的依賴(lài)性，以及溝通雙方所需的共同知識(shí)背景，都是當(dāng)前需要克服的難題。

美國(guó)學(xué)者愛(ài)德華·霍爾在1976年的著作《超越文化》中，提出了“高語(yǔ)境文化”與“低語(yǔ)境文化”的概念。高語(yǔ)境文化，被認(rèn)為是一種注重細(xì)節(jié)、強(qiáng)調(diào)推斷和推理、強(qiáng)調(diào)群體認(rèn)同和文化多樣性的文化。中文，是其中典型的代表。因此，在電影《流浪地球》中我們可以看到這樣的場(chǎng)景，MOSS與劉培強(qiáng)的交流中，多次強(qiáng)調(diào)避免使用比喻、反問(wèn)和暗示，以減少理解上的誤差。

不僅是中文，不同語(yǔ)言之間在語(yǔ)音、語(yǔ)法、詞匯上的差異，以及個(gè)體獨(dú)特的口音和發(fā)音習(xí)慣，都為語(yǔ)音識(shí)別技術(shù)帶來(lái)了額外的挑戰(zhàn)。

在語(yǔ)音識(shí)別技術(shù)的應(yīng)用已相當(dāng)成熟、跨文化交流增多的今天，如何進(jìn)一步提高語(yǔ)音識(shí)別的準(zhǔn)確率，改善人機(jī)交互體驗(yàn)，為人與人之間交流打破國(guó)界、地域的阻礙？

深耕語(yǔ)音技術(shù)領(lǐng)域25年，在AI技術(shù)飛速躍遷的今天，科大訊飛發(fā)布了語(yǔ)音識(shí)別大模型，將語(yǔ)音識(shí)別的準(zhǔn)確率和多語(yǔ)種識(shí)別的效果，提升到了一個(gè)新的高度。

01無(wú)處不在，語(yǔ)音識(shí)別持續(xù)進(jìn)化

技術(shù)角度來(lái)看，語(yǔ)音識(shí)別是一項(xiàng)融合多學(xué)科知識(shí)的前沿技術(shù)，覆蓋了數(shù)學(xué)與統(tǒng)計(jì)學(xué)、聲學(xué)與語(yǔ)言學(xué)、計(jì)算機(jī)與人工智能等基礎(chǔ)學(xué)科和前沿學(xué)科。簡(jiǎn)而言之，它的核心任務(wù)是將輸入的語(yǔ)音信號(hào)轉(zhuǎn)換為與之匹配度最高的文字序列。

1952年，貝爾實(shí)驗(yàn)室研制出世界上第一個(gè)能識(shí)別10個(gè)英文數(shù)字發(fā)音的實(shí)驗(yàn)系統(tǒng)，揭開(kāi)了人類(lèi)使用計(jì)算機(jī)識(shí)別語(yǔ)音的序幕。進(jìn)入90年代，伴隨個(gè)人電腦和互聯(lián)網(wǎng)普及，語(yǔ)音識(shí)別逐漸走出實(shí)驗(yàn)室，走進(jìn)公眾視野。2009年之后，深度神經(jīng)網(wǎng)絡(luò)（DNN）的引入，使得語(yǔ)音識(shí)別的準(zhǔn)確率顯著提升，相關(guān)產(chǎn)品開(kāi)始大規(guī)模普及，技術(shù)進(jìn)入新的發(fā)展階段，深入到我們?nèi)粘Ｉ畹姆椒矫婷妗?/p>

大模型技術(shù)引爆的人工智能新一輪應(yīng)用熱潮，其感知能力、認(rèn)知能力、生成能力正重構(gòu)人機(jī)交互方式，不斷刷新用戶(hù)期待，在千行百業(yè)落地應(yīng)用。語(yǔ)音識(shí)別作為最早落地的人工智能技術(shù)之一，也悄然發(fā)生著變革。

經(jīng)過(guò)海量數(shù)據(jù)訓(xùn)練、擁有強(qiáng)大自然語(yǔ)言理解能力的大模型，給語(yǔ)音研究帶來(lái)了新的技術(shù)邏輯，創(chuàng)造了語(yǔ)音技術(shù)發(fā)展的全新機(jī)會(huì)。

通過(guò)學(xué)習(xí)更多的語(yǔ)言知識(shí)和上下文信息，大模型能實(shí)現(xiàn)更精準(zhǔn)的語(yǔ)義理解，準(zhǔn)確識(shí)別出語(yǔ)音內(nèi)容；同時(shí)，基于更統(tǒng)一的多任務(wù)建模能力，通過(guò)在中文、英文和其他語(yǔ)種的語(yǔ)料上進(jìn)行訓(xùn)練，有助于提升語(yǔ)料稀缺小語(yǔ)種的效果。

科大訊飛作為語(yǔ)音領(lǐng)域的佼佼者，如今正在引領(lǐng)著語(yǔ)音識(shí)別技術(shù)的未來(lái)發(fā)展。

02語(yǔ)音行業(yè)翹楚，首發(fā)星火語(yǔ)音大模型

智能語(yǔ)音是萬(wàn)物互聯(lián)機(jī)器溝通的入口，也是人工智能賦能千行萬(wàn)業(yè)、浸潤(rùn)千家萬(wàn)戶(hù)的秘鑰。

25年前創(chuàng)業(yè)之初，科大訊飛的夢(mèng)想和使命就是要實(shí)現(xiàn)人機(jī)信息溝通無(wú)障礙，并始終保持初心，長(zhǎng)期致力于智能語(yǔ)音技術(shù)的源頭創(chuàng)新及產(chǎn)業(yè)化應(yīng)用。

從2010年國(guó)內(nèi)首批開(kāi)展深度神經(jīng)網(wǎng)絡(luò)語(yǔ)音識(shí)別研究，到全球首個(gè)中文語(yǔ)音識(shí)別深度神經(jīng)網(wǎng)絡(luò)（DNN）上線(xiàn)、循環(huán)神經(jīng)網(wǎng)絡(luò)（RNN）語(yǔ)音識(shí)別全面升級(jí)、全球首創(chuàng)基于全序列卷積神經(jīng)網(wǎng)絡(luò)（DFCNN）的語(yǔ)音識(shí)別，再到近幾年持續(xù)探索無(wú)監(jiān)督預(yù)訓(xùn)練、多模態(tài)在語(yǔ)音識(shí)別上的應(yīng)用，訊飛不斷挑戰(zhàn)語(yǔ)音識(shí)別實(shí)際應(yīng)用中的技術(shù)難題。

2023年，在有“最難語(yǔ)音識(shí)別任務(wù)”之稱(chēng)的語(yǔ)音領(lǐng)域權(quán)威賽事——國(guó)際多通道語(yǔ)音分離和識(shí)別大賽CHiME中，訊飛在大牛如云的參賽隊(duì)伍中，力壓群雄，第四次拿下冠軍。

除中英以外，科大訊飛已具備其他69種語(yǔ)言的語(yǔ)音識(shí)別能力，其中有35個(gè)語(yǔ)種準(zhǔn)確率超過(guò)90%（數(shù)據(jù)來(lái)源于實(shí)際應(yīng)用）。同時(shí)，訊飛開(kāi)放平臺(tái)還在新加坡、俄羅斯、印度、日本等國(guó)家部署了海外站點(diǎn)，將語(yǔ)音識(shí)別、語(yǔ)音合成等技術(shù)，開(kāi)放給海內(nèi)外開(kāi)發(fā)者。

大模型時(shí)代浪潮下，科大訊飛基于深厚的技術(shù)積累，2024年1月31日正式推出星火語(yǔ)音大模型，引領(lǐng)萬(wàn)物互聯(lián)時(shí)代的人機(jī)交互革命。在語(yǔ)音識(shí)別方面，中文、英語(yǔ)、法語(yǔ)、俄語(yǔ)等首批37個(gè)主流語(yǔ)種的語(yǔ)音識(shí)別效果超過(guò)OpenAI Whisper V3。其中，13個(gè)重點(diǎn)語(yǔ)種識(shí)別率達(dá)94%，24個(gè)主要語(yǔ)種識(shí)別率達(dá)90%。

03高準(zhǔn)確率+高識(shí)別率 語(yǔ)音識(shí)別大模型上線(xiàn)

讓更多人能享受到新技術(shù)帶來(lái)的便利，近期，基于星火語(yǔ)音大模型的語(yǔ)音識(shí)別大模型已在訊飛開(kāi)放平臺(tái)上線(xiàn)，面向開(kāi)發(fā)者開(kāi)放調(diào)用，可以將短音頻(≤60秒)精準(zhǔn)識(shí)別成文字，除中文普通話(huà)和英文外，支持37個(gè)語(yǔ)種自動(dòng)判別，說(shuō)話(huà)過(guò)程中可以無(wú)縫切換語(yǔ)種，實(shí)時(shí)返回對(duì)應(yīng)語(yǔ)種的文字結(jié)果，并提供公有云接口及私有化部署方案。

與傳統(tǒng)的語(yǔ)音識(shí)別產(chǎn)品相比，語(yǔ)音識(shí)別大模型有著獨(dú)特的優(yōu)勢(shì)：

高識(shí)別率，高準(zhǔn)確率

基于統(tǒng)一建模的星火多語(yǔ)種語(yǔ)音識(shí)別大模型，極大提升了語(yǔ)音識(shí)別準(zhǔn)確度，真實(shí)還原語(yǔ)音內(nèi)容，提高信息獲取效率

多語(yǔ)種自動(dòng)判別

支持中文、英語(yǔ)、日語(yǔ)、韓語(yǔ)、俄語(yǔ)、法語(yǔ)等37個(gè)語(yǔ)種的自動(dòng)判別，在說(shuō)話(huà)過(guò)程中可以無(wú)縫切換語(yǔ)種，助力跨文化交流更自由

指定語(yǔ)種準(zhǔn)確率更高

對(duì)于已明確語(yǔ)種的場(chǎng)景，也可以指定語(yǔ)種進(jìn)行識(shí)別，進(jìn)一步提升正確率

智能標(biāo)點(diǎn)

數(shù)字、標(biāo)點(diǎn)、大小寫(xiě)和識(shí)別結(jié)果同步預(yù)測(cè)，使口語(yǔ)表達(dá)變規(guī)整，帶來(lái)更流暢的閱讀體驗(yàn)

在開(kāi)發(fā)者資源方面，除了基礎(chǔ)的WebAPI，訊飛開(kāi)放平臺(tái)還提供了不同平臺(tái)的SDK，包括Android、Linux、iOS、Windows，幫助開(kāi)發(fā)者將語(yǔ)音識(shí)別大模型能力快速集成到產(chǎn)品中。

目前，語(yǔ)音識(shí)別大模型能力已搭載在訊飛星火APP和訊飛翻譯機(jī)等產(chǎn)品中。

打開(kāi)訊飛星火APP，用語(yǔ)音與星火進(jìn)行對(duì)話(huà)，你所說(shuō)的語(yǔ)音會(huì)快速被識(shí)別為精準(zhǔn)的文字，讓你直觀感受到語(yǔ)音識(shí)別大模型帶來(lái)的高準(zhǔn)確率和高識(shí)別率。

持續(xù)進(jìn)步的語(yǔ)音識(shí)別技術(shù)正進(jìn)一步拓展人機(jī)交互的場(chǎng)景邊界，在客戶(hù)服務(wù)、語(yǔ)音搜索、游戲娛樂(lè)、會(huì)議記錄、教育培訓(xùn)等領(lǐng)域，為人類(lèi)帶來(lái)更加便捷、高效和智能的生活方式。

正如梅拉妮·米歇爾在《AI 3.0》書(shū)中強(qiáng)調(diào)，自動(dòng)語(yǔ)音識(shí)別是深度學(xué)習(xí)在自然語(yǔ)言處理中的第一個(gè)重大成就，也是迄今為止人工智能在所有領(lǐng)域中取得的最重要的成就。這不僅是對(duì)語(yǔ)音識(shí)別技術(shù)的認(rèn)可，更是對(duì)未來(lái)人機(jī)交互無(wú)限可能的預(yù)示。

點(diǎn)擊閱讀原文，免費(fèi)領(lǐng)取語(yǔ)音識(shí)別大模型試用包，至高20萬(wàn)次服務(wù)量（中文）。

文末彩蛋

2023年，科大訊飛與統(tǒng)信軟件宣布達(dá)成戰(zhàn)略合作，充分發(fā)揮各自技術(shù)和產(chǎn)品優(yōu)勢(shì)，共同探索新的商業(yè)模式，推動(dòng)AI技術(shù)在各行各業(yè)的深度應(yīng)用。

統(tǒng)信軟件是全球主流操作系統(tǒng)產(chǎn)品與服務(wù)提供商，統(tǒng)信UOS桌面版發(fā)貨量累計(jì)超過(guò)600萬(wàn)，服務(wù)器版發(fā)貨量增速更是位列行業(yè)前列。

近日，訊飛星火、訊飛智文已正式上架統(tǒng)信應(yīng)用商店，讓全球用戶(hù)可通過(guò)統(tǒng)信應(yīng)用商店一鍵輕松暢享AI樂(lè)趣，感受前所未有的便捷應(yīng)用與服務(wù)體驗(yàn)。