百度AI語(yǔ)音實(shí)現(xiàn)技術(shù)突破，成功登頂中國(guó)第一

（文章來(lái)源：量子位）

2019年，NLP和語(yǔ)音技術(shù)取得了多項(xiàng)技術(shù)突破，但是科技公司考慮更多的是AI的“場(chǎng)景”，如何在各種場(chǎng)景中都能方便地集成語(yǔ)音功能。10月，谷歌在Pixel手機(jī)發(fā)布會(huì)上宣布，將語(yǔ)音識(shí)別模型壓縮到50M集成在手機(jī)中，實(shí)現(xiàn)離線的語(yǔ)音轉(zhuǎn)寫(xiě)。而國(guó)內(nèi)的幾家語(yǔ)音技術(shù)公司想得更遠(yuǎn)，將語(yǔ)音技術(shù)的接口提供給更多的開(kāi)發(fā)者和企業(yè)，讓AI的應(yīng)用場(chǎng)景更廣闊。百度就是其中一家。

“生物在物競(jìng)天擇的環(huán)境中進(jìn)化，而AI在應(yīng)用場(chǎng)景中進(jìn)化?！痹诮裉斓陌俣却竽X語(yǔ)音能力引擎論壇上，百度CTO王海峰如是說(shuō)。王海峰也透露，百度大腦的語(yǔ)音能力日均調(diào)用量超100億次，居國(guó)內(nèi)第一。擁有國(guó)內(nèi)最大的AI開(kāi)放平臺(tái)的百度大腦，目前已接入開(kāi)發(fā)者超過(guò)150萬(wàn)，開(kāi)放228項(xiàng)技術(shù)能力。

就在同一天，權(quán)威調(diào)研機(jī)構(gòu)IDC發(fā)布的《2019中國(guó)AI云服務(wù)市場(chǎng)廠商評(píng)估》報(bào)告顯示，百度智能云憑借著在AI技術(shù)、市場(chǎng)和商業(yè)上的表現(xiàn)，在中國(guó)排名第一。這也從側(cè)面反映了百度AI在市場(chǎng)中的影響力。除了語(yǔ)音技術(shù)外，百度在其他AI技術(shù)上也全面開(kāi)花。9月，百度在CCKS 2019“知識(shí)圖譜問(wèn)答”大賽中奪冠；11月，F(xiàn)orrester發(fā)布報(bào)告顯示，百度智能云的計(jì)算機(jī)視覺(jué)能力在8大維度獲得第一。

這主要是由于百度智能云入局AI最早，也是國(guó)內(nèi)唯一擁有完全自主深度學(xué)習(xí)框架的云服務(wù)商，搶占了AI落地的先機(jī)。因此用上百度語(yǔ)音技術(shù)的開(kāi)發(fā)者越來(lái)越多，這些數(shù)字的背后，有百度大腦語(yǔ)音技術(shù)團(tuán)隊(duì)的研發(fā)實(shí)力作為支持。團(tuán)隊(duì)的領(lǐng)頭人，就是今年8月在朋友圈宣布回歸百度的技術(shù)大牛賈磊。他介紹了百度語(yǔ)音軟硬件技術(shù)獨(dú)一無(wú)二的“秘籍”。

據(jù)Canalys等第三方統(tǒng)計(jì)機(jī)構(gòu)的數(shù)據(jù)，小度音箱在國(guó)內(nèi)市場(chǎng)的占有率在今年登上了第一，賈磊認(rèn)為這是市場(chǎng)對(duì)百度大腦技術(shù)的肯定。百度語(yǔ)音首席架構(gòu)師賈磊表示，百度大腦的語(yǔ)音技術(shù)在今年又取得了一項(xiàng)突破性進(jìn)展，可以將未來(lái)小度音箱的技能進(jìn)一步提升。這項(xiàng)新技術(shù)全稱(chēng)為“基于復(fù)數(shù)CNN的語(yǔ)音增強(qiáng)和聲學(xué)建模一體化端到端建模技術(shù)”。賈磊表示，這項(xiàng)技術(shù)顛覆了傳統(tǒng)的語(yǔ)音識(shí)別算法。

目前，市面上主流的智能音箱采用的語(yǔ)音識(shí)別算法，是先將音頻轉(zhuǎn)化為文字，再對(duì)文字進(jìn)行語(yǔ)義理解。這就好比兩個(gè)人相互交流，先把語(yǔ)音寫(xiě)成文字，然后通過(guò)閱讀文字來(lái)理解內(nèi)容。這種識(shí)別方式與人相差甚遠(yuǎn)，而且也存在著諸多問(wèn)題。首先，這種方式只有在喚醒識(shí)別后才能確定語(yǔ)音的方向，如果噪聲與聲音方向相同，則會(huì)導(dǎo)致識(shí)別率很低。而且無(wú)法應(yīng)對(duì)說(shuō)話者邊走邊說(shuō)的情形。

而百度大腦提出的基于復(fù)數(shù)CNN的端到端模型，可以直接將聲音轉(zhuǎn)換成語(yǔ)義，更接近于人的語(yǔ)音交互方式，對(duì)噪聲的抵抗力更強(qiáng)。賈磊表示，這項(xiàng)技術(shù)讓遠(yuǎn)場(chǎng)語(yǔ)音識(shí)別的錯(cuò)誤率降低了30%以上，對(duì)語(yǔ)音識(shí)別性能的提升幅度屬業(yè)內(nèi)最大，是一項(xiàng)革命性、顛覆性的技術(shù)。這種模型完全不依賴(lài)于數(shù)字信號(hào)處理等技術(shù)學(xué)科，用機(jī)器學(xué)習(xí)將最初的音節(jié)和最終語(yǔ)義直接打通，實(shí)現(xiàn)數(shù)字信號(hào)處理和語(yǔ)音識(shí)別一體化。

有了復(fù)數(shù)CNN的端到端模型，智能音箱難以解決的幾大使用場(chǎng)景問(wèn)題都會(huì)得到解決。比如，我們很難一邊走動(dòng)一邊和智能音箱不間斷多輪對(duì)話；在大聲播放電視或音樂(lè)時(shí)，智能音箱也無(wú)法聽(tīng)清我們。這些常見(jiàn)場(chǎng)景過(guò)去一直是智能音箱難以使用的痛點(diǎn)，未來(lái)都有望被復(fù)數(shù)CNN的端到端模型所化解。未來(lái)的讓模型結(jié)構(gòu)能成功落地，百度還研發(fā)了一種利用近場(chǎng)數(shù)據(jù)來(lái)模擬生成遠(yuǎn)場(chǎng)訓(xùn)練數(shù)據(jù)的方法。利用該方法，百度成功訓(xùn)練出可以達(dá)到落地水平的一體化聲學(xué)模型。

（責(zé)任編輯：fqj）