百度稱語音識(shí)別技術(shù)取得重大突破：超蘋果谷歌

申請(qǐng)免費(fèi)試用、咨詢電話：400-8352-114

　　百度首席科學(xué)家吳恩達(dá)今天宣布，該公司已經(jīng)在語音室被領(lǐng)域取得重大突破，語音識(shí)別效果超過了谷歌和蘋果。

　　當(dāng)人工智能專家吳恩達(dá)今年5月出任百度首席科學(xué)家時(shí)，他對(duì)他和他的團(tuán)隊(duì)可能在加州桑尼韋爾新開設(shè)的實(shí)驗(yàn)室中開展什么項(xiàng)目，還顯得有些謹(jǐn)慎。不過，他還是禁不住披露，更加先進(jìn)的語音識(shí)別技術(shù)將成為智能手機(jī)時(shí)代的關(guān)鍵。

　　今天，百度披露了這位谷歌前研究員、斯坦福教授和Coursera聯(lián)合創(chuàng)始人的初步研究成果。在康奈爾大學(xué)圖書館的arXiv.org網(wǎng)站上發(fā)表的一篇論文中，吳恩達(dá)和阿瓦尼·哈努恩(Awani Hannun)領(lǐng)導(dǎo)的百度研究團(tuán)隊(duì)的10名成員宣布，他們開發(fā)出了一種更加精準(zhǔn)的語音識(shí)別技術(shù)——這項(xiàng)功能對(duì)蘋果Siri和谷歌語音搜索的重要性正在與日俱增。吳恩達(dá)表示，按照語音識(shí)別系統(tǒng)的標(biāo)準(zhǔn)測(cè)試來看，百度的Deep Speech語音識(shí)別技術(shù)已經(jīng)超過了谷歌和蘋果。

　　具體而言，Deep Speech在嘈雜環(huán)境中的表現(xiàn)好于同類技術(shù)，例如汽車內(nèi)或人群中。由于可以大大提升實(shí)際的使用效果，因此這項(xiàng)技術(shù)顯然十分關(guān)鍵。吳恩達(dá)表示，在嘈雜的背景中進(jìn)行測(cè)試的結(jié)果顯示，Deep Speech的錯(cuò)誤率比谷歌語音API、wit.ai、微軟必應(yīng)語音和蘋果Dictation低了10%。

　　百度還提供了兩位大學(xué)教授發(fā)表的正面評(píng)論。“百度研究院的這項(xiàng)最新成果有望顛覆今后的語音識(shí)別效果。”卡內(nèi)基梅隆大學(xué)工程學(xué)助理研究教授伊恩·雷恩(Ian Lane)在新聞稿中說。蘋果和谷歌尚未對(duì)此置評(píng)。

　　與其他語音識(shí)別系統(tǒng)一樣，百度這項(xiàng)技術(shù)的基礎(chǔ)也是一個(gè)名為“深度學(xué)習(xí)”的人工智能分支。這款軟件試圖以非常原始的方式模擬大腦新皮層的神經(jīng)元活動(dòng)——約有80%的大腦活動(dòng)發(fā)生在那里，所以深度學(xué)習(xí)系統(tǒng)可以識(shí)別出數(shù)字形態(tài)的聲音、圖像和其他數(shù)據(jù)。“第一代深度學(xué)習(xí)語音識(shí)別技術(shù)已經(jīng)達(dá)到極限。”吳恩達(dá)說。

　　百度團(tuán)隊(duì)搜集了9600人的7000小時(shí)語音內(nèi)容，多數(shù)都是在安靜環(huán)境下搜集的——但測(cè)試者有時(shí)也會(huì)佩戴播放嘈雜背景音的耳機(jī)，使得他們就像在嘈雜環(huán)境中一樣改變語調(diào)。他們后來使用名為“疊加”的物理學(xué)定律增加了15種噪音，包括酒店、汽車和地鐵中的環(huán)境噪音。這相當(dāng)于把樣本數(shù)據(jù)擴(kuò)大到10萬小時(shí)。隨后，他們讓系統(tǒng)學(xué)會(huì)在各種噪音中識(shí)別語音。

　　吳恩達(dá)表示，這遠(yuǎn)比目前的語音識(shí)別系統(tǒng)簡(jiǎn)單得多。他們使用了一系列模塊來分析音素和其他語音內(nèi)容。這通常需要通過名為“隱馬可夫模型”的統(tǒng)計(jì)概率系統(tǒng)來手工設(shè)計(jì)模塊，這就需要大量人手來進(jìn)行校準(zhǔn)。而百度的系統(tǒng)用深度學(xué)習(xí)算法取代了這些模型。這種算法可以在遞歸神經(jīng)網(wǎng)絡(luò)上進(jìn)行訓(xùn)練，從而大大降低了系統(tǒng)的復(fù)雜性。

　　但真正令這種模式奏效的是強(qiáng)大的新型計(jì)算機(jī)系統(tǒng)，其中配備了很多Nvidia的GPU。GPU在個(gè)人電腦中用來加速圖形。由于采用并行設(shè)計(jì)，因此它們?cè)谟?xùn)練識(shí)別模型時(shí)的速度和成本遠(yuǎn)好于標(biāo)準(zhǔn)的電腦處理器——大約比吳恩達(dá)在斯坦福和谷歌時(shí)使用的系統(tǒng)快40倍。“算法很重要，但成功有很大一部分歸因于可擴(kuò)展性。”他說，這既包括電腦系統(tǒng)的可擴(kuò)展性，也包括其數(shù)據(jù)處理量的可擴(kuò)展性。

　　倘若達(dá)不到這種速度，就無法迅速分析各種數(shù)據(jù)。吳恩達(dá)表示，該系統(tǒng)的復(fù)雜程度超過當(dāng)今的其他GPU系統(tǒng)。“我們已經(jīng)進(jìn)入語音識(shí)別2.0時(shí)代，”他說，“現(xiàn)在才剛剛開始。”

　　吳恩達(dá)認(rèn)為，隨著用戶越來越偏向語音指令，而拋棄文字模式，因此語音識(shí)別的重要性還將與日俱增。“讓他們對(duì)我們說話是關(guān)鍵。”他列舉了中國最近的一條搜索命令：“你好，百度。我昨天中午街邊吃了面條。明天還賣不賣？”吳恩達(dá)承認(rèn)，現(xiàn)階段回答這一問題的難度非常大，但他認(rèn)為語音技術(shù)的進(jìn)步是關(guān)鍵。

　　物聯(lián)網(wǎng)的發(fā)展也是關(guān)鍵所在，它將把所有的“啞巴”設(shè)備引入線上。他認(rèn)為，當(dāng)他的孫子得知我們?nèi)缃袷褂玫碾娨暀C(jī)和微波爐都不支持語音指令時(shí)，可能會(huì)感到十分驚訝。“語音是物聯(lián)網(wǎng)的關(guān)鍵技術(shù)。”他說。

　　吳恩達(dá)拒絕透露百度需要多久才能將這項(xiàng)新技術(shù)整合到搜索和其他服務(wù)中。但在被問及這是否需要花費(fèi)很多年時(shí)，他卻很快回應(yīng)道：“肯定不需要！”所以，這項(xiàng)技術(shù)有望在明年投入使用。這項(xiàng)技術(shù)可能應(yīng)用到百度Cool Box中，為用戶提供語音音樂搜索服務(wù)。

　　吳恩達(dá)的團(tuán)隊(duì)成員約有30人，明年還將翻番，他們的目標(biāo)是幫助百度躋身全球頂尖互聯(lián)網(wǎng)公司之列。雖然目前主要服務(wù)于中國市場(chǎng)，但該公司卻計(jì)劃向全球擴(kuò)張，包括開發(fā)世界級(jí)的語音識(shí)別、翻譯和其他功能。