云从科技语音技术刷新多项世界纪录

2021-04-14 18:12:18

让AI听得出、听得清,听得懂,成为每个人的真正“知音”,是云从人机协同战略让机器从知音到知心迈出的重要一步。

日,云从科技语音技术取得多项重大突破,在语音识别、语义纠错、深度学降噪等领域刷新多项国际、国内语音识别权威纪录,超越亚马逊、搜狗等企业创下的此前最好成绩,夯实业界领先的技术地位。

此次云从创新提出的新模型,对应语音技术不同角度的突破,包含巨大的应用价值,推动技术朝更智能地“听”迈进了一大步:

语义纠错技术:在权威中文语音识别数据集Aishell和清华大学语音Thchs30测试集上,将字错率(Character Error Rate,CER)第一遍WFST解码以及第二遍RNN重打分结果分别相对降低21.7%和10.3%。

这意味着让AI“听得懂”:字错率降低代表使语音更准确地转换文字,纠正语义的错误。

语音识别技术:刷新Aishell纪录,将字错率降低到4.34%,较过去最好成绩降低了8%;云从团队提出的新模型,巧妙融合了语音识别和说话人识别,提高识别率的同时,极大提升了在不同说话人场景下的鲁棒

这意味着让AI“听得出”:将每个人同“指纹”一样独有的“声纹”识别出来,指标提升意味着更精准识别出说话者。

深度学降噪模型:在国际顶会Interspeech2020 DNS Challenge比赛数据集上取得了目前最好的结果。

这意味着让AI“听得清”:针对在嘈杂环境去除噪声,使语音更清晰。

在语音技术高度发展的基础上,每提升1个百分点的准确率,都如同征服一座高山。此次云从一举在三项语音技术上取得新突破、新模型,不仅展现出深厚的科研基础与强大创新能力,同时也彰显出云从技术实力的全面与综合年来语音技术已经广泛应用于人们的生活,但大多是依托智能语音设备在室内安静环境下的单人交互,云从团队提出的多个创新模型,对于突破业界瓶颈,攻克嘈杂环境、多人对话等复杂应用难题,具有重大意义。

在人工智能第二浪背景下,全链技术形成行业价值闭环、AI工程学的重要日益突显。云从科技在视觉、语音等技术频频突破,再次夯实核心技术闭环实力,为行业打造更全面、更有价值的智能化方案,为每个人构筑更流程灵活的交互体验。

创新研究模型 直击技术难点

此前云从的语音技术已取得刷新全球最大开源语音识别数据集Librispeech纪录、发表多篇顶会论文、发表多篇新型发明专利等成绩。尽管年来整个人工智能语音领域有了快速发展,但目前常见语音交互场景多是在安静环境下的单人交互,在日常应用仍有诸多问题亟待突破:例如在多人场景的语音、噪声混合中,如何追踪并识别至少一个声音、正常在嘈杂环境下正常交流,也就是“鸡尾酒会问题”,仍是研究者们致力解决的难题。

针对这些技术难点,云从在语音识别、语义纠错、深度学降噪等多个方向上,创新提出新模型,并在多个数据集上刷新最优成绩。

语义纠错:

针对常见的语法纠错、拼写纠错与语音识别系统转写的错误分布差异较大、传统模型不适合直接使用等问题,云从科技提出一种基于BART预训练模型的语义纠错技术方案,不仅可以对数据中常见的拼写错误进行纠正,还可以对一些常识错误、语法错误,甚至一些需要推理的错误进行纠正。

在云从科研团队一万小时语音数据的实验中,纠错模型可以将基于3gram WFST解码结果的错字率相对降低21.7%,取得与RNN重打分相的效果。在RNN重打分的基础上使用纠错,可以进一步取得10.3%的CER相对降低。

部分纠错示例如下:

语音识别:

云从科研团队结合声纹识别x-vector embedding以及自研multi-stream TDNNF结构的XmasNet,刷新Aishell的纪录,在测试集Aishell-test上CER指标提高到4.34%,相比于SOTA,提升了8%。这种方法结合了最新的说话人识别技术,进一步提高了语音识别在口音环境下的识别率。

值得一提的是,本次云从团队提出新模型结构,在训练数据固定(原始178小时音频)的情况下,仅通过优化模型结构,取得识别率的提升。

该结构巧妙融合了语音识别和说话人识别,提高识别率的同时,极大提升了在不同说话人场景下的鲁棒

x-vector embedding(上)以及XmasNet网络结构(下)

深度学降噪:

云从科研团队提出一种基于U-Net和注意力机制attention的深度学神经网络模型CARN模型,在DNS Challenge比赛数据集上取得了目前最好的结果。

该数据集中,亚马逊PoCoNet模型、西北工业大学和搜狗合作的DCCRN模型等在具有混响的仿真场景和真实场景下,只能得到中等品质的音频;相比之下,云从CARN模型在各类场景下均有优秀表现,无论是没有混响的仿真场景(no_reverb)、还是具有混响的仿真场景和真实场景下,都能大幅减少音频中的噪音,处理取得清晰的优质音频,提升音频的清晰度。

坚持以人为核心 共创人机协同智能体验

在人工智能行业,取得单点技术的领先实属不易,但从人工智能产业发展角度来看,经历了对计算机视觉、语音识别等单点技术的狂热追捧,客户逐渐发现自身的复杂需求难以得到快速响应。

这个时候产业开始需要多点技术的支持:客户转向寻求获取人工智能综合解决方案,以实现对全业务链条的 AI 赋能,形成行业价值闭环。

云从科技将人工智能技术整合为端到端的综合解决方案,在了解客户业务流程的基础上,将算法台、AIoT设备和专家知识服务整合为场景化解决方案,定义和打造客户智慧化蓝图。

同时,云从科技创新提出了AI工程学的概念,首先提升人工智能技术自身的生产效率,实现算法模型的批量化产出,将AI产业带入工业化大生产时代。

在此阶段,云从科技提供综合了听说读写等感知能力的全链人工智能技术,基于多项技术构建全面解决方案。例如,云从的智慧网点解决方案,综合视觉、语音、自然语言处理等多项技术,应用于智慧迎宾、用户身份核验、AI双录等多个场景。目前云从已携手多家银行落地方案,共同为用户带来流畅、完整的智能体验。

关闭
精彩放送