科大訊飛：聽見中國智能語音技術(shù)最強音

楊玄章

新生報到季，某校剛剛?cè)雽W的新同學沒有像以往一樣領(lǐng)到厚厚的一本新生指南，取而代之的是一個叫“新生助手”的小盒子或者手機“小馬甲”。在這個陌生的環(huán)境下，這個“新生助手”就成為了同學們?nèi)谌胄@生活最可靠的伙伴了。

語音技術(shù)進校園

“哪里可以買到便宜的洗漱用品？”新生小賈剛剛把行李放下，就要買必備的生活用品了。

“小助手”回答道：“學校周邊步行范圍內(nèi)有兩個超市，一個物美超市在南門外面的學府街2號，一個是學生超市在學校的二食堂邊上。您是要買牙刷、牙膏和毛巾么？請選擇一下吧?！边@時，在智能設(shè)備的屏幕上，展現(xiàn)了這兩個超市的地圖，同時把小賈可能要買的東西在這兩個超市的價格都羅列在下面。

小賈很高興地說道：“好啊，就這幾個東西吧，我想從學校里的學生超市買這幾樣。給我送到宿舍來吧?！?/p>

“好的，”接到了小賈的指示，“小助手”直接下了單，“東西會在30分鐘之后送達。另外，今天是新學期第一天，你要不要去校園里看看呢？”

小賈問道：“去哪里看好呢？新學期學校應(yīng)該有什么活動吧？”

“小助手”依次列出了今天學校所有的活動和地點：“10點到17點，北門小樹林有各個社團的招新活動；10點到11點，我的朋友S博士會介紹學校的智能授課評估系統(tǒng)……”

“這個智能授課要去聽，據(jù)說以后我們的課堂綜合評分，都是由這個智能語音系統(tǒng)來完成的。”同宿舍的小于在旁邊忍不住插嘴。

“好啊！那就幫我們訂兩個座位吧，我們10點去參加S博士的演講?！毙≠Z說。

幾秒鐘后，“小助手”在其上方投射出一個報告廳的全息座位圖，其中有兩個座位高亮顯示：“定好了！你們的座位在在H21和H23。報告廳離宿舍不遠，我已經(jīng)把路線圖推送到你們的手機上了?！?/p>

小賈和小于順著地圖的指引，剛剛來到報告廳門口，“小助手”先跳出來和“S博士”打招呼了：“S博士你好，這是新生小賈和小于，今天來學習智能授課評估系統(tǒng)?！?/p>

這時候，教室門口突然跳出來一個戴博士帽的大胖子博士全息圖，很熱情地和大家打招呼：“歡迎歡迎，今天還有另一個校區(qū)的同學，通過全息在線和我們互動?！?/p>

大家坐定之后，一個更大號的“博士帽”被投射到最前面，“S博士”開始詳細地講解如何與該系統(tǒng)進行良好的互動，從而爭取到更好的課堂分數(shù)。

其中有一點最讓小賈印象深刻：回答課堂問題時，你們只要以你最喜歡的方式說出你的想法就好了，我們的系統(tǒng)會全面分析你的答案，并分析你的語氣和語速，從而得到最好的分數(shù)。

會議的最后，小賈和小于很好奇地問“小助手”：“S博士到底在哪個校區(qū)工作啊？”

“小助手”嘿嘿一笑說：“S博士和我一樣啊，是你們的智能語音助手哦?！?/p>

看過上面的故事，有的同學也許會問：這是哪個科幻小說中的場景？如果是在幾年前，這樣的場景也許還是人們對于遙遠未來智能社會的幻想。不過，最近智能語音領(lǐng)域的迅猛發(fā)展，讓很多這樣的“科幻”場景即將成為現(xiàn)實。

那么，智能語音從哪里來到哪里去？未來這方面的技術(shù)會如何改變我們的社會和生活？帶著這些問題，我們采訪了這個領(lǐng)域在中國成長起來的大咖：科大訊飛。

最早接近“人類智能”的領(lǐng)域

近年來，“人工智能”這四個字在各個方向“轟炸”著人們的認知。事實上，這四個字意味著語音、圖像、視頻、文本、日志分析等多個領(lǐng)域。在這些個領(lǐng)域里面，很多離真正的“人類智能”還有一定距離。但是，智能語音領(lǐng)域卻有著不一樣的進展。

2015年，科大訊飛最新語音轉(zhuǎn)寫產(chǎn)品“訊飛聽見”將中文普通話識別和轉(zhuǎn)寫的實用準確率提高到了95%以上，遠超過人類專業(yè)速記員的速度和準確度。這個不同尋常的發(fā)布與那些最新研究成果和技術(shù)實驗有很大的不同，這標志著中文智能語音的技術(shù)已經(jīng)可以真真實實地達到人類的水平。

“科大訊飛雖然成立18年了，但是在語音識別領(lǐng)域其實還是個新兵，”訊飛負責人這樣告訴記者：“最早的語音識別技術(shù)可以追溯到上世紀50年代，貝爾研究所Davis等人研究成功了世界上第一個能識別10個英文數(shù)字發(fā)音的實驗系統(tǒng)；1960年英國Denes等人研究成功第一個計算機語音識別系統(tǒng)。大規(guī)模的語音識別研究始于上世紀70年代以后，在小詞匯量、孤立詞的識別方面取得了實質(zhì)性的進展?！?/p>

上世紀90年代以后，大詞匯量連續(xù)語音識別得到優(yōu)化，在語音識別技術(shù)的應(yīng)用及產(chǎn)品化方面出現(xiàn)了很大的進展。1997年，IBM Viavoice首個語音聽寫產(chǎn)品問世。

自2009年以來，借助機器學習領(lǐng)域深度學習研究的發(fā)展以及大數(shù)據(jù)語料的積累，語音識別技術(shù)得到突飛猛進的發(fā)展。2010年，谷歌發(fā)布VoiceAction支持語音操作與搜索。2011年初，微軟的深度神經(jīng)網(wǎng)絡(luò)（DNN）模型在語音搜索任務(wù)上獲得成功。也就在同年，蘋果手機助理Siri首次亮相，人機交互掀開了新的篇章。

科大訊飛成立于1999年，相比這些巨頭來說，是個不折不扣的“新兵”，剛開始難免是要坐冷板凳的。但是，在多年的積累之后，科大訊飛在智能語音領(lǐng)域中的貢獻讓人刮目相看。有些人認為中國的企業(yè)可能在中文智能語音方面積累更多一些，事實上，科大訊飛在歷次的國內(nèi)外語音合成評測中，各項關(guān)鍵指標均名列第一。2008年至今，科大訊飛連續(xù)在國際說話人、語種識別評測大賽中名列前茅。2014年，科大訊飛首次參加國際口語機器翻譯評測比賽（International Workshop on Spoken Language Translation）即在中英和英中互譯方向中以顯著優(yōu)勢勇獲第一。2016年，國際語音識別大賽（CHiME）科大訊飛取得全部指標第一；在認知智能領(lǐng)域，相繼獲得國際認知智能測試（Winograd Schema Challenge）全球第一、國際知識圖譜構(gòu)建大賽（NIST TAC Knowledge Base Population Entity Discovery and Linking Track）核心任務(wù)全球第一。

智能語音技術(shù)從簡單的比賽和實驗室成果，到真正的實用化，甚至超過人類的智能水平，要做的工作比我們想象得要復(fù)雜得多。如果我們打開“訊飛聽見”的技術(shù)鏈，發(fā)現(xiàn)其集成了包括語音轉(zhuǎn)寫識別技術(shù)、篇章級處理方案、自然語言處理技術(shù)、陣列解混響技術(shù)、口語化風格處理技術(shù)、聲紋識別等多方面的技術(shù)，為了應(yīng)對每個人之間的個體化的差異，方言語音識別、高抗噪語音識別、個性化識別等多方面的功能也是必不可少的。去年12月，“ 訊飛聽見”的升級版本在原實時轉(zhuǎn)寫漢字的基礎(chǔ)上，還可同步翻譯為英、日、韓、維等多種語言。

更高階：認知智能

人工智能的“旅程”中，在很長一段時間，一直處于“能存會算”的計算智能時代。在這一時期，機器還是計算的機器，人類和機器交互的方式還很有限很低效，在有限的交流中，機器能按照人來安排的指令，完成特定的功能已經(jīng)算是合格了。

智能語音領(lǐng)域的發(fā)展，率先將機器的“聽、說、理解”能力拉升到了“感知智能”的階段。以谷歌、微軟、訊飛為代表的一批優(yōu)秀的企業(yè)和機構(gòu)將語音的識別、認知、合成、翻譯等能力植入了機器內(nèi)。同時，在教育、車載、家居、通信、硬件和城市等多個領(lǐng)域，產(chǎn)生了豐富的應(yīng)用。

“現(xiàn)在我們要進入認知智能階段了。”科大訊飛強調(diào)說。從最新的訊飛產(chǎn)品線來看，在教育評測、知識服務(wù)、智能客服、機器翻譯等領(lǐng)域，機器已經(jīng)開始具備了“能理解會思考”的能力了?！叭斯ぶ悄茉谥悄苷Z音這個領(lǐng)域里已經(jīng)超過人類了。最近我們在做一些教育評測領(lǐng)域的實踐。如今，機器主觀題閱卷技術(shù)對語文、英文等學科的評分已達到或超過人工評分水平?！?/p>

當智能語音系統(tǒng)具備足夠多的實踐、“學習”過足夠多的數(shù)據(jù)，“練習”過足夠多的對話，也許它真的可以為人類“打開另一扇窗口”。

那到底未來是什么呢？也許智能語音技術(shù)與其他人工智能技術(shù)配合起來，可以讓人們專注在自己的興趣上，而不用擔心是誰來完成基礎(chǔ)服務(wù)；可以讓小孩子可以自如地獲取知識，而不用關(guān)心誰在扮演老師的角色；可以讓科學家將精力集中在最核心的研究上，而不用操心是誰來進行配合性的工作；可以讓上班族們在早高峰可以美美地睡一覺，而不用費心交通狀況和換乘方案……

毫無疑問，人工智能未來肯定會在我們身邊扮演一個主要角色，智能語音技術(shù)顯然也會成為這里面的重要核心之一。不過，這個領(lǐng)域仍需杰出的人才進行數(shù)十年如一日的堅守和創(chuàng)新，大家準備好了么？