計算機視覺(jué)(CV)是AI領(lǐng)域一大吸金賽道,也由此產(chǎn)生了商湯、云從、依圖、曠視這樣的“圖像四小龍”。而這四小龍之一的「依圖科技」卻率先拓寬邊界,踏入語(yǔ)音和自然語(yǔ)言處理(NLP)行業(yè)。

12月11日,依圖發(fā)布了依圖短語(yǔ)音聽(tīng)寫(xiě)API、和微軟Azure推出依圖語(yǔ)音開(kāi)放平臺。

其實(shí)早在2016年,當計算機視覺(jué)公司剛開(kāi)始吸引投資人注意時(shí),語(yǔ)音識別就開(kāi)始規?;瘓?chǎng)景落地?,F如今,百度、騰訊、京東、小米紛紛發(fā)布智能音箱,各種手機搭載語(yǔ)音交互,智能翻譯工具、智能客服等語(yǔ)音類(lèi)產(chǎn)品層出不窮。

那么,相比同類(lèi)產(chǎn)品,依圖語(yǔ)音技術(shù)的比較優(yōu)勢和市場(chǎng)空間會(huì )在哪里?在未來(lái)產(chǎn)品化落地上,依圖會(huì )有怎樣的規劃?圍繞這些問(wèn)題,36氪獨家專(zhuān)訪(fǎng)了依圖科技首席創(chuàng )新官,前Google Research Scientist呂昊博士。

36氪首發(fā) | 將中文語(yǔ)音識別率提升至96.29%, 依圖科技跨領(lǐng)域推出語(yǔ)音開(kāi)放平臺

依圖科技首席創(chuàng )新官呂昊博士

確實(shí),這個(gè)時(shí)間點(diǎn)進(jìn)入語(yǔ)音行業(yè)挑戰重重,一則先發(fā)優(yōu)勢不再,二則市場(chǎng)擁擠,科大訊飛、BAT大廠(chǎng)紛紛入局,從技術(shù)上升到平臺生態(tài),市場(chǎng)空間看似余地不多。

對此,呂昊表示:依圖團隊對國內現有的語(yǔ)音識別技術(shù)都做了調研,發(fā)現在不少場(chǎng)景下,語(yǔ)音識別效果并不理想,例如通話(huà)過(guò)程中的聲音轉寫(xiě)準確率低、遠距離的聲音采集識別效果差、語(yǔ)料數據積累不足等。因此,依圖會(huì )從這些可優(yōu)化空間入手,對模型算法進(jìn)行打磨,提升識別率,降低字錯率。

在語(yǔ)音識別領(lǐng)域,15%的字錯率是一條紅線(xiàn),超過(guò)則基本不具備可讀性,而低于3%則是可以被認為具備類(lèi)人的語(yǔ)音識別能力。然而,在實(shí)際說(shuō)話(huà)過(guò)程中,人的語(yǔ)速、語(yǔ)氣、口音、語(yǔ)態(tài)等都會(huì )影響識別準確度。此外,不同于英文,中文復雜的語(yǔ)言元素,以及同音不同意等問(wèn)題為語(yǔ)音識別帶來(lái)了更大的挑戰。那么依圖如何應對呢?

呂昊告訴36氪:當前業(yè)內缺乏系統性的標準測試和測試集,對于語(yǔ)音識別缺乏體驗和比較的工具,為提升識別準確率,依圖團隊搜集了大量真實(shí)對話(huà)數據,以及專(zhuān)業(yè)類(lèi)、生活類(lèi)的細分語(yǔ)料庫,基于此,依圖提出了自己多維度、多場(chǎng)景的測試數據集,由此來(lái)對模型算法進(jìn)行訓練和測試。

據悉,在基于全球最大中文開(kāi)源數據庫的AISHELL-2的測試中,依圖短語(yǔ)音聽(tīng)寫(xiě)的字錯率為3.71%,官方稱(chēng)領(lǐng)先原業(yè)內領(lǐng)先者科大訊飛約20%。在若干近場(chǎng)、混響、噪聲等公開(kāi)測試集上,依圖平均字錯率 6.39%,領(lǐng)先訊飛 11%。加入電話(huà)、口音、語(yǔ)音節目、遠場(chǎng)演講等依圖內部暫無(wú)法公開(kāi)的測試集后(全部測試集共 50小時(shí)、60萬(wàn)漢字),依圖平均字錯率 8.27%,訊飛是9.30%,依圖仍然領(lǐng)先訊飛 11% 左右。

36氪首發(fā) | 將中文語(yǔ)音識別率提升至96.29%, 依圖科技跨領(lǐng)域推出語(yǔ)音開(kāi)放平臺

基于不同數據測試集上,依圖語(yǔ)音識別技術(shù)的準確率表現

其實(shí),如果想實(shí)現真正意義上的語(yǔ)音交互,語(yǔ)音只是一部分,更重要的則是對語(yǔ)義的理解。如果我們把語(yǔ)音技術(shù)比作人的嘴巴和耳朵,用于表達和獲??;那么語(yǔ)義理解則是人的大腦,能夠幫助信息處理和解析。在語(yǔ)義理解方面,依圖同樣在進(jìn)行技術(shù)積累。

呂昊表示:雖然此次是從語(yǔ)音切入,但是團隊一直是語(yǔ)音、語(yǔ)義兩線(xiàn)并行。2017年時(shí),依圖就曾將自然語(yǔ)言處理(NLP)技術(shù)用于A(yíng)I+醫療解決方案,結合自建的臨床中文知識圖譜,對醫學(xué)文本等多模態(tài)數據進(jìn)行解析和信息提取。今年,依圖的論文更入選NLP頂會(huì )EMNLP 2018,針對計算機語(yǔ)言學(xué)核心問(wèn)題之一的指代理解提出全新數據集PreCo并對外開(kāi)放。

此前,在視覺(jué)領(lǐng)域,依圖已經(jīng)在智慧城市、醫療、金融、零售等領(lǐng)域有了產(chǎn)品化、商業(yè)化積累。對于是否會(huì )將語(yǔ)音技術(shù)遷移于這些領(lǐng)域,呂昊回應:這一階段仍舊以技術(shù)積累為主,依圖在開(kāi)放平臺上提供了自有的API和模型算法,一方面可以經(jīng)由市場(chǎng)驗證算法質(zhì)量,另一方面可以由此接近不同行業(yè)和場(chǎng)景。

據官方信息,依圖與微軟聯(lián)合發(fā)布的語(yǔ)音開(kāi)放平臺基于A(yíng)zure Cloud,將依圖的語(yǔ)音識別技術(shù)能力開(kāi)放給廣泛第三方應用開(kāi)發(fā)者使用。

在未來(lái),依圖計劃陸續開(kāi)放長(cháng)語(yǔ)音轉寫(xiě)API、實(shí)時(shí)語(yǔ)音轉寫(xiě)API等。正如呂昊所說(shuō):希望為第三方應用開(kāi)發(fā)者在語(yǔ)音領(lǐng)域提供多一個(gè)語(yǔ)音技術(shù)選擇。

筆者認為:結合自有的CV技術(shù)積累,依圖或許可在多模態(tài)情感識別和計算領(lǐng)域發(fā)力,融合視覺(jué)、語(yǔ)音等多重數據,全方位提升機器的感知能力。在商業(yè)化層面,雖然當下的依圖語(yǔ)音技術(shù)開(kāi)放平臺仍舊以技術(shù)積累為重心,但依托CV積累的的B端用戶(hù),為企業(yè)級客戶(hù)提供語(yǔ)音解決方案只是時(shí)間早晚問(wèn)題。

————

 

您可以復制這個(gè)鏈接分享給其他人:http://wap.northchejian.com.cn/node/414