97%之后 百度再尋語音突破口——Deep CNN

　　近日，百度在語音識別技術(shù)方面再獲突破，將圖像識別技術(shù)成功“跨界”到語音領(lǐng)域，利用深層卷積神經(jīng)網(wǎng)絡(luò)(Deep CNN)應(yīng)用于語音識別聲學(xué)建模中，將其與基于長短時記憶單元(LSTM)和連接時序分類(CTC)的端對端語音識別技術(shù)相結(jié)合，錯誤率相對降低10%，大幅度提升語音識別產(chǎn)品性能，是繼端對端語音識別后取得的另一次重大技術(shù)突破。

　　Deep CNN語音識別的建模過程

　　近年來，運用CNN技術(shù)的圖像識別成果頗豐，越來越深的CNN不斷刷新著圖像識別的精準(zhǔn)度，以人臉識別為例，識別準(zhǔn)確率高達(dá)99.7%。但CNN的進(jìn)展在語音識別方面沒有得到充分的應(yīng)用。作為一家在語音技術(shù)上有著深入研究的人工智能公司，百度將Deep CNN視為語音識別技術(shù)的下一個突破口。

　　ImageNet競賽中，越來越深的CNN不斷刷新著其性能

　　在商用領(lǐng)域的端對端語音識別技術(shù)中，百度首次嘗試引入更深層的CNN神經(jīng)網(wǎng)絡(luò)，使錯誤率相對降低10%。端對端技術(shù)則使用一個單獨的學(xué)習(xí)算法來完成從任務(wù)輸入端到輸出端的所有過程，減少了中間單元以及人為干預(yù)，在海量數(shù)據(jù)的支持下模型效果提升明顯。目前，百度的端對端技術(shù)處于業(yè)界領(lǐng)先水平。值得一提的是，語音識別都是基于時頻分析后的語音譜完成的，將整個語音信號分析得到的時頻譜當(dāng)作一張圖像，就可以采用圖像中已廣泛應(yīng)用的CNN進(jìn)行識別，克服了語音信號多樣性的問題，且通過引入更深層的CNN，使語音識別性能得到顯著提升，正如百度語音技術(shù)部識別技術(shù)負(fù)責(zé)人李先剛博士所言：‘The Deeper，The Better’。

　　與學(xué)術(shù)研究不同，百度語音的研發(fā)立足點，聚焦于技術(shù)的實際應(yīng)用，技術(shù)難度和實現(xiàn)程度更高。針對語音識別產(chǎn)品而言，必須具備在大規(guī)模語音數(shù)據(jù)庫上體現(xiàn)性能提升以及具有適合語音在線識別產(chǎn)品運行的模型。百度采用數(shù)千小時進(jìn)行實驗的研究，并在近十萬小時的產(chǎn)品語音數(shù)據(jù)庫中進(jìn)行驗證，且充足的語音數(shù)據(jù)資源，使基于端對端技術(shù)的語音識別系統(tǒng)明顯優(yōu)于以往的框架性能。

　　百度語音識別技術(shù)每年迭代算法模型

　　除此之外，百度語音技術(shù)在數(shù)據(jù)、計算能力、算法等三方面優(yōu)勢顯著。百度擁有約10萬小時的精準(zhǔn)標(biāo)注語音數(shù)據(jù)，以及基于數(shù)百個GPU的高性能計算平臺。在算法方面，百度每年都在不斷優(yōu)化、迭代模型算法，語音識別效果顯著提升，領(lǐng)先業(yè)界。

　　此前，百度便利用端對端技術(shù)研發(fā)了Deep Speech 2深度語音識別技術(shù)，用于提高在嘈雜環(huán)境下語音識別的準(zhǔn)確率。在噪音環(huán)境下，其錯誤率低于谷歌、微軟以及蘋果的語音系統(tǒng)。目前，百度語音識別準(zhǔn)確率高達(dá)97%，并被美國權(quán)威科技雜志《麻省理工評論》列為2016年十大突破技術(shù)之一。另據(jù)李先剛博士透露，目前的確正在加緊Deep Speech 3 的研發(fā)工作，而本次公布的Deep CNN不排除將會是Deep Speech 3的核心組成部分。

　　除了技術(shù)突破，百度還積極推動用戶使用語音交互的普及，手機百度、百度輸入法、百度地圖、度秘等產(chǎn)品都已支持語音輸入功能，而此次“跨界”的Deep CNN相信很快會應(yīng)用到擁有龐大用戶體量的百度產(chǎn)品中。