云從科技打破世界紀錄 語音識別準確率達97.03%

在語音識別領域，全球科技企業(yè)的目標很一致，那就是想“超過人類”。之前科研界設定人類錯詞率為5.9%的這個界線，受過嚴格訓練的專業(yè)速記員錯詞率在3%左右，錯詞率（Worderrorrate，WER）是衡量語音識別技術水平的核心指標。

人類的界線已在2017年被微軟超過，而受過嚴格訓練的專業(yè)速記員則一直堅守著自己的底線。

然而這個紀錄也在這個10月被打破，2018年10月 29日，中國人工智能“國家隊”云從科技在語音識別技術上取得重大突破，他們?nèi)诤蠄D像識別與語音識別的優(yōu)勢，推出全新Pyramidal-FSMN語音識別模型。

在技術研究的「最后一公里」，每 0.1 個百分點的進步都異常艱難。全新Pyramidal-FSMN語音識別模型在全球最大的開源語音識別數(shù)據(jù)集Librispeech上刷新了世界紀錄，準確率提升到97.03%，將Librispeech的錯詞率（Worderrorrate，WER）降低至2.97%，超過阿里、百度、約翰霍普金斯大學等企業(yè)及高校，大幅刷新原先記錄。

DS2：百度，ESPnet：約翰霍普金斯大學，DFSMN-CE：阿里

云從科技并沒有把人臉識別作為唯一的“寶”來押注，這家孵化自中國科學院的企業(yè)，并不是第一次取得這樣的技術突破。

2018年2月，云從科技正式在國內(nèi)首發(fā)“3D結構光人臉識別技術”。2018年4月，云從科技“跨鏡追蹤技術”（ReID）技術在Market-1501，DukeMTMC-reID，CUHK03三個數(shù)據(jù)集刷新了世界紀錄，其中最高在Market-1501上的首位命中率（Rank-1 Accuracy）達到96.6%，讓跨鏡追蹤技術（ReID）技術在準確率上首次達到商用水平，人工智能從「刷臉」跨到「識人」的新紀元。

語音識別技術同樣是智能感知中一個重要的部分，通過語音識別，機器就可以像人類一樣聽懂說話，進而能夠理解、思考與反饋。近年來，在深度學習技術的幫助下，語音識別取得了極大的進展，從實驗室開始走向市場，走向實用化?；谡Z音識別技術的輸入法、搜索和翻譯等人機交互場景都有了廣泛的應用。

智能感知 大數(shù)據(jù)，是云從科技打造核心技術閉環(huán)，領跑人工智能行業(yè)的利器。

據(jù)悉，此次技術突破是云從科技打造核心技術閉環(huán)路徑中的關鍵一步。此前，云從科技在10月12日發(fā)布了國家發(fā)改委“人工智能基礎資源公共服務平臺”項目，該平臺可以基于行業(yè)數(shù)據(jù)為各行各業(yè)提供人工智能智能感知及大數(shù)據(jù)服務，中國人民銀行、中國聯(lián)通、中國郵政、民航局、金山云等企業(yè)與機構與云從首批簽約。這個搭載人臉、人體、手勢、紅外、語音、車輛、風控、文字、大數(shù)據(jù)分析等多種方式為一體的人工智能平臺，云從傾注了大量的技術力量。

在平臺發(fā)布會上，云從科技創(chuàng)始人周曦提出了人工智能發(fā)展的五個階段，核心技術閉環(huán)是五個階段的重要基礎。云從科技在今年先后首發(fā)3D結構光人臉識別技術及刷新跨鏡追蹤技術三項世界紀錄，并在金融、安防、機場等優(yōu)勢行業(yè)建設基于智能分析的“行業(yè)大腦”，廣泛強化合作伙伴范圍，穩(wěn)步推進從核心技術到智能生態(tài)的五步走戰(zhàn)略。

目前，云從科技是中國銀行業(yè)第一大AI供應商。包括農(nóng)行、建行、中行、招行總行等全國400多家銀行已采用公司產(chǎn)品，為全國銀行提供對比服務日均2.16億次，同時為14.7萬家社會網(wǎng)點提供服務。

在安防領域，公司產(chǎn)品已在29個省級行政區(qū)上線實戰(zhàn)，每天比對超過10億次，數(shù)據(jù)匯聚總量超過千億，協(xié)助全國公安抓獲超過1萬名犯罪嫌疑人；

在民航領域，已有60余家機場選擇云從產(chǎn)品，日服務旅客人數(shù)達到6千萬。

在這些基礎上，云從科技正在致力整合算力、智力、數(shù)據(jù)等資源及其成果，打造人工智能平臺，進一步促進人工智能在金融、安防、交通、零售、教育等重要行業(yè)的落地。

語音識別六十年，技術突破總是艱難而緩慢。

語音識別的研究起源可以追溯到上世紀50年代，AT&T貝爾實驗室的Audry系統(tǒng)率先實現(xiàn)了十個英文數(shù)字識別。

從上世紀60年代開始，CMU的Reddy開始進行連續(xù)語音識別的開創(chuàng)性工作。但是這期間進展緩慢，以至于貝爾實驗室的約翰·皮爾斯（John Pierce）認為語音識別是幾乎不可能實現(xiàn)的事情。

上世紀70年代，計算機性能的提升，以及模式識別基礎研究的發(fā)展，促進了語音識別的發(fā)展。IBM、貝爾實驗室相繼推出了實時的PC端孤立詞識別系統(tǒng)。

上世紀80年代是語音識別快速發(fā)展的時期，引入了隱馬爾科夫模型（HMM）。此時語音識別開始從孤立詞識別系統(tǒng)向大詞匯量連續(xù)語音識別系統(tǒng)發(fā)展。

上世紀90年代是語音識別基本成熟的時期，但是識別效果離實用化還相差甚遠，語音識別的研究陷入了瓶頸。

關鍵突破起始于2006年。這一年辛頓（Hinton）提出深度置信網(wǎng)絡（DBN），促使了深度神經(jīng)網(wǎng)絡（Deep Neural Network，DNN）研究的復蘇，掀起了深度學習的熱潮。

2009年，辛頓以及他的學生默罕默德（D. Mohamed）將深度神經(jīng)網(wǎng)絡應用于語音的聲學建模，在小詞匯量連續(xù)語音識別數(shù)據(jù)庫TIMIT上獲得成功。

2011年，微軟研究院俞棟、鄧力等發(fā)表深度神經(jīng)網(wǎng)絡在語音識別上的應用文章，在大詞匯量連續(xù)語音識別任務上獲得突破。國內(nèi)外巨頭大力開展語音識別研究。

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?！凹袛U展深度學習應用技術終于取得了 5.5% 錯詞率的突破”。相對應的是去年5月的6.9%。

2017年8月，微軟發(fā)布新的里程碑，通過改進微軟語音識別系統(tǒng)中基于神經(jīng)網(wǎng)絡的聽覺和語言模型，在去年基礎上降低了大約12%的出錯率，錯詞率為5.1%。相對應的是去年10月的5.9%，聲稱超過人類。

2017年12月，谷歌發(fā)布全新端到端語音識別系統(tǒng)（State-of-the-art Speech Recognition With Sequence-to-Sequence Models），錯詞率降低至5.6%。相對于強大的傳統(tǒng)系統(tǒng)有 16% 的性能提升。

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(fā)布全新Pyramidal-FSMN語音識別模型，錯詞率（Worderrorrate，WER）降低至2.97%，較之前提升了25%，將全球語音識別準確率紀錄提高至97.03%，超過受過嚴格訓練的專業(yè)人類速記員。