從SwiftScribe說起 回顧百度在語音技術(shù)的七年積累

人與機器的自然交互一直是人類孜孜不倦的奮斗目標(biāo)。隨著移動互聯(lián)網(wǎng)時代的發(fā)展，聲音與圖片成為了人機交互更為自然的表達方式。作為最核心的入口，語音技術(shù)就成為了科技巨頭們爭相攻下的堡壘。而人工智能的進步與發(fā)展也讓語音技術(shù)的識別率突飛猛進，也使其有了產(chǎn)品化的機會。

李彥宏曾在劍橋名家講堂等多個公開場合說過，百度大腦涉及百度最為核心的人工智能內(nèi)容，具體包括語音、圖像、自然語言理解和用戶畫像等四個核心能力，此外還有機器學(xué)習(xí)平臺；吳恩達也在公開場合演講時表達了同樣的觀點。

3 月 14 日，百度硅谷研究院于推出了一款基于人工智能的轉(zhuǎn)錄應(yīng)用 SwiftScribe 。基于百度于 2015 年年底推出的語音識別產(chǎn)品 Deep Speech 2，其神經(jīng)網(wǎng)絡(luò)通過輸入數(shù)千小時的標(biāo)記音頻數(shù)據(jù)，從中學(xué)習(xí)特定的單詞與詞組。百度推出 SwiftScribe 主要面向經(jīng)常需要使用轉(zhuǎn)錄功能的企業(yè)及個人，甚于它的使用廣泛性，SwiftScribe認(rèn)為能夠讓一大批用戶受益，包括醫(yī)學(xué)健康、法律部門、商業(yè)媒體等領(lǐng)域。

語音技術(shù)主要分為識別與合成兩大領(lǐng)域，對于百度而言，歷年來的研究院技術(shù)突破也讓識別性能有了重大的提升。雷鋒網(wǎng)整理了百度在語音技術(shù)的相關(guān)研究成果，借此拋磚引玉，得以一窺百度在語音領(lǐng)域的技術(shù)積累。

語音識別

viayuyin.baidu

早在 2010 年，百度開始進行智能語音及相關(guān)技術(shù)研發(fā)，并于同年 10 月在掌上百度上推出語音搜索，當(dāng)時的宣傳語是這樣說的：「語音搜索就用掌上百度」，這也是第一代基于云端識別的互聯(lián)網(wǎng)應(yīng)用。

在 2012 年左右，研究者們開始采用 DNN 進行語音識別的相關(guān)研究。經(jīng)過近兩年的發(fā)酵，2012 年 11 月百度上線了第一款基于 DNN 的漢語語音搜索系統(tǒng)，這讓百度成為最早采用 DNN 技術(shù)進行商業(yè)語音服務(wù)的公司之一。研究顯示百度在當(dāng)時就呈現(xiàn)了優(yōu)秀的語音識別能力，「在安靜情況下，百度的普通話識別率已達到 95% 以上」。

在 2013 年 1 月，李彥宏提出百度成立深度學(xué)習(xí)研究院，并于同年 4 月設(shè)立了硅谷人工智能實驗室，彼時雷鋒網(wǎng)也做過相關(guān)覆蓋與報道。而隔年百度硅谷人工智能實驗室（SVAIL）正式成立，加上吳恩達的加盟，更多的研究與投入也讓百度開始在語音技術(shù)上展露頭角。

根據(jù)吳恩達在百度語音開放平臺三周年大會上的演講，百度于 2014 年采用 Sequence Discriminative Training（序列區(qū)分度訓(xùn)練），當(dāng)時的識別準(zhǔn)確率為 91.5%。

在同年年底，吳恩達帶領(lǐng)團隊發(fā)布了第一代深度語音識別系統(tǒng) Deep Speech的研究論文，系統(tǒng)采用了端對端的深度學(xué)習(xí)技術(shù)，也就是說，系統(tǒng)不需要人工設(shè)計組件對噪聲、混響或揚聲器波動進行建模，而是直接從語料中進行學(xué)習(xí)。

團隊采用 7000 小時的干凈語音語料，通過添加人工噪音的方法生成 10 萬小時的合成語音語料，并在 SWITCHBOARD（沿用近20年的標(biāo)準(zhǔn)語料庫，被視為識別的“試金石”） 上獲得了 16.5% 的 WER（詞錯誤率，是一項語音識別的通用評估標(biāo)準(zhǔn)）。當(dāng)時的實驗顯示，百度的語音識別效果比起谷歌、Bing 與 Apple API 而言優(yōu)勢明顯。

雷鋒網(wǎng)(公眾號：雷鋒網(wǎng))AI科技評論了解到，近年來在 ImageNet 的競賽中，CNN 的網(wǎng)絡(luò)結(jié)構(gòu)在不斷加深（比如微軟亞洲研究院的 152 層深度殘差網(wǎng)絡(luò)），錯誤率則逐步下降。百度通過借鑒這一研究進展，將深度學(xué)習(xí)在圖像識別領(lǐng)域的進展應(yīng)用于語音識別，嘗試將 Deep CNN 架構(gòu)配合 HMM （隱含馬爾科夫模型）語音識別系統(tǒng)，也呈現(xiàn)出很好的表現(xiàn)。

而 2015 年初基于 LSTM-HMM 的語音識別技術(shù)也逐步發(fā)展為基于 LSTM-CTC （Connectionist Temporal Classification）的端對端語音識別技術(shù)，通過將機器學(xué)習(xí)領(lǐng)域的 LSTM 建模與 CTC 訓(xùn)練引入傳統(tǒng)的語音識別框架里，提出了具有創(chuàng)新性的漢字語音識別方法。

2015 年 8 月，百度研究院新增了漢語的識別能力，準(zhǔn)確率高達 94%。這也讓端到端的深度學(xué)習(xí)算法成為語音識別提升最重要的手段之一。在 2015 年 9 月份的百度世界大會上，吳恩達也在較為嘈雜的情況下，驗證了機器的語音識別已經(jīng)超過人類；而李彥宏彼時也宣布，百度語音識別的準(zhǔn)確率能夠達到 97%。

而在 2015 年年底，百度 SVAIL 推出了Deep Speech 2，它能夠通過深度學(xué)習(xí)網(wǎng)絡(luò)識別嘈雜環(huán)境下的兩種完全不同的語言——英語與普通話，而端到端的學(xué)習(xí)能夠使系統(tǒng)處理各種條件下的語音，包括嘈雜環(huán)境、口音及區(qū)別不同語種。而在 Deep Speech 2 中，百度應(yīng)用了 HPC 技術(shù)識別縮短了訓(xùn)練時間，使得以往在幾個星期才能完成的實驗只需要幾天就能完成。在基準(zhǔn)測試時，系統(tǒng)能夠呈現(xiàn)與人類具有競爭力的結(jié)果。（雷鋒網(wǎng)按：HPC 指的是使用多處理器或某一集群中的數(shù)臺計算機搭建的計算系統(tǒng)與環(huán)境，百度所應(yīng)用的 HPC 技術(shù)實際上是 OpenMPIRing Allreduce的修改版本。）

得益于在語音交互的突破，百度的深度語音識別技術(shù)在 2016 年入選 MIT 十大突破技術(shù)。

根據(jù)研究院的官方消息，百度 SVAIL 已于2017 年 2 月成功將HPC 技術(shù)移植到深度學(xué)習(xí)平臺，借此加速 GPU 之間的數(shù)據(jù)傳輸速率。該算法以庫和Tensorflow補丁的形式向開發(fā)者開源，分別為baidu-allreduce 和tensorflow-allreduce，目前已在 GitHub 上線。

3 月 14 日，百度硅谷研究院也推出了一款基于 Deep Speech2 的 AI 轉(zhuǎn)錄應(yīng)用 SwiftScribe，其神經(jīng)網(wǎng)絡(luò)通過輸入數(shù)千小時的標(biāo)記音頻數(shù)據(jù)，從中學(xué)習(xí)特定的單詞與詞組。

語音合成

viayuyin.baidu

如果說語音識別是讓機器聽懂人類的語言，那么語音合成便是讓機器開口說話。

語音合成即文本轉(zhuǎn)換技術(shù)（TTS），根據(jù)百度官網(wǎng)的介紹，它是“實現(xiàn)人機語音交互，建立一個有聽和講能力的交互系統(tǒng)所必需的關(guān)鍵技術(shù)，是將計算機自己產(chǎn)生的、或外部輸入的文字信息轉(zhuǎn)變?yōu)榭梢月牭枚摹⒘骼目谡Z輸出的技術(shù)”。

早期的語音合成做法是機械地將預(yù)先錄制好的聲音拼接在一起，也就是我們經(jīng)常聽到的拼接式合成（concatenative TTS），采用語音編碼技術(shù)存儲合適的語音單元，在合成時通過解碼與波形編輯拼接處理后生成相應(yīng)的語句，一般合成的內(nèi)容也比較有限，比如自動報時或報站等相對固定的內(nèi)容，便適合采用這樣的方法。

而參數(shù)合成法（parametric TTS）則相對復(fù)雜，涉及對語音信號的分析并提取參數(shù)，再由人工控制參數(shù)的合成。但實現(xiàn)合成的全過程可謂兼具高難度與強工作量：首先需要涵蓋語音在合成出所有可能出現(xiàn)的聲音；隨后根據(jù)文本的內(nèi)容選擇對應(yīng)的聲學(xué)參數(shù)，再實現(xiàn)合成。

在 2015 年，手機百度小說頻道上線了情感語音合成模塊，系統(tǒng)可提供「磁性男聲」的朗讀版本；而百度新聞也支持語音播報。實際上這兩個技術(shù)都涉及語音合成技術(shù)（TTS）。此外，百度還采用此技術(shù)復(fù)原了張國榮的聲音，目前可達到接近真人的發(fā)聲效果。

百度 SVAIL 在今年正式推出了 Deep Voice，即一個實時語音合成的神經(jīng)網(wǎng)絡(luò)系統(tǒng)（Real-Time Neural Text-to-Speech for Production），目前論文已經(jīng)投遞 ICML 2017。實驗顯示，在同樣的 CPU 與 GPU 上，系統(tǒng)比起谷歌 DeepMind 在去年 9 月發(fā)布的原始音頻波形深度生成模型 WaveNet 要快上 400 倍。

在去年年末的百度語音開放平臺三周年大會上，吳恩達就已經(jīng)表示，「現(xiàn)在百度在中國語音合成的能力已經(jīng)達到業(yè)界領(lǐng)先的水平?！箍梢姲俣仍谡Z音合成領(lǐng)域已經(jīng)是胸有成竹了。

兩大應(yīng)用方向

目前百度的語音技術(shù)分為兩大應(yīng)用方向：語音識別（及語音喚醒）還有語音合成。

在語音識別領(lǐng)域，結(jié)合自然語言處理技術(shù)，百度能夠提供高精度的語音識別服務(wù)，實現(xiàn)多場景的智能語音交互：

手機百度和百度輸入法自不必說，它們能夠直接通過語音輸入匹配搜索結(jié)果，提升輸入效率。

主要合作伙伴：艾米智能行車助手；樂視語音助手；海爾智能家居；陌陌；神武游戲等。

而百度的語音喚醒則支持自定義設(shè)置語音指令，為應(yīng)用提供流暢對話。比如：

通過百度語音喚醒技術(shù)可以喚醒度秘，滿足用戶真人化的需求；

在百度 Carlife 、 百度CoDriver 及百度地圖中，語音喚醒技術(shù)能夠幫助駕駛員實現(xiàn)撥打電話、播放音樂、導(dǎo)航等多項操作。

在語音合成領(lǐng)域，最典型的例子莫過于人聲朗讀了。

百度地圖利用合成技術(shù)生成導(dǎo)航語音，能夠幫助用戶實現(xiàn)流暢的人機交互；

iReader 也采用了百度語音合成技術(shù)實現(xiàn)語音朗讀效果，目前支持中文普通話播報、中英文混讀播報，音色支持男聲和女聲。

主要合作伙伴：塔讀文學(xué)、AA拼車等。

吳恩達在接受華爾街日報采訪時表示了對語音技術(shù)的信心與期待：「至少在中國，我們會在接下來幾年時間普及語音識別應(yīng)用，讓人機溝通成為一件非常自然的事。你會很快習(xí)慣與機器流暢交流的時光，而忘記以前是如何與機器交互的?！估卒h網(wǎng)也相信，百度未來會在語音技術(shù)上取得更大突破，并讓人們獲得良好的人機交互體驗。

生成海報

免責(zé)聲明：本網(wǎng)站內(nèi)容主要來自原創(chuàng)、合作伙伴供稿和第三方自媒體作者投稿，凡在本網(wǎng)站出現(xiàn)的信息，均僅供參考。本網(wǎng)站將盡力確保所提供信息的準(zhǔn)確性及可靠性，但不保證有關(guān)資料的準(zhǔn)確性及可靠性，讀者在使用前請進一步核實，并對任何自主決定的行為負(fù)責(zé)。本網(wǎng)站對有關(guān)資料所引致的錯誤、不確或遺漏，概不負(fù)任何法律責(zé)任。任何單位或個人認(rèn)為本網(wǎng)站中的網(wǎng)頁或鏈接內(nèi)容可能涉嫌侵犯其知識產(chǎn)權(quán)或存在不實內(nèi)容時，應(yīng)及時向本網(wǎng)站提出書面權(quán)利通知或不實情況說明，并提供身份證明、權(quán)屬證明及詳細侵權(quán)或不實情況證明。本網(wǎng)站在收到上述法律文件后，將會依法盡快聯(lián)系相關(guān)文章源頭核實，溝通刪除相關(guān)內(nèi)容或斷開相關(guān)鏈接。