語音識別真的比肩人類了？聽聽阿里iDST初敏怎么說阿里云云棲社區(qū)百家號|06-28 12:49關注摘要：語音識別真的比肩人類了嗎？各種算法之間該如何選擇？如何提升語音交互的用戶體驗？帶著這些問題，云棲社區(qū)采訪了阿里云iDST智能交互總監(jiān)初敏，聽聽她是怎么說的。編者按：由中國人工智能學會、阿里巴巴以及螞蟻金服聯(lián)合主辦，CSDN、中國科學院自動化研究所承辦的第三屆中國人工智能大會（CCAI 2017）將于7月22-23日正式召開，大會期間阿里云iDST智能交互總監(jiān)初敏將在“語言智能與應用”論壇上分享語音交互技術的趨勢，在此之前，阿里云云棲社區(qū)作為獨家直播合作伙伴采訪了初敏。圍繞語音交互的入口之爭正愈演愈烈，siri、echo這些產(chǎn)品風靡全球的同時，國內(nèi)外科技巨頭、創(chuàng)業(yè)團隊也在暗流涌動，各種智能音箱以及語音解決方案層出不窮。毫無疑問，語音交互已經(jīng)成為人工智能領域最成熟也是落地最快的技術。尤其是深度學習的起勢，讓語音識別、語音合成以及自然語言處理的發(fā)展速度提升到了一個新的高度。于是乎，各種美化宣傳撲面而來！“XXX產(chǎn)品識別準確率高達99%，識別準確率比肩人類！”然而，事實并非如此。市面上已有的語音交互產(chǎn)品或多或少都存在一些通病：在特定領域效果不錯，但超出指定范圍就差強人意了，這樣的問題讓用戶整體體驗大打折扣…語音識別真的比肩人類了嗎？各種算法之間該如何選擇？如何提升語音交互的用戶體驗？帶著這些問題，云棲社區(qū)采訪了阿里云iDST智能交互總監(jiān)初敏，聽聽她是怎么說的。（注： iDST語音識別團隊曾在2016年以0.67%的準確率優(yōu)勢擊敗了世界速記大賽亞軍蔣毅，據(jù)了解，iDST團隊使用了BLSTM算法，這種算法對單位時間內(nèi)的計算量要求很高，為此他們做了很多針對性的優(yōu)化工作，才能讓這個算法提供實時服務，并第一次在工業(yè)界進行了大規(guī)模部署。）以下內(nèi)容整理自采訪錄音：云棲社區(qū)：從國內(nèi)外的趨勢來看，語音交互技術的應用越來越多，您認為推動語音技術普及的主要原因是什么？初敏：語音有兩個大的方向在用，第一個把語音當成數(shù)據(jù)，例如在講座、法院，或者是客服這些場景中，之前有的會錄音，有的不錄音，講完就過去了，而現(xiàn)在這些語音都會記錄下來，而且還會識別成文字，這實際上是一個數(shù)據(jù)積累的過程，我們可以對這些文本化的數(shù)據(jù)進行各種分析、挖掘和加工等等。另外一個就是大家更關注的語音交互，語音交互之所以越來越被重視，我覺得是因為互聯(lián)網(wǎng)、智能硬件的普及。未來智能電視、智能音箱，甚至到以后的日常設備，都可以變成一個互聯(lián)網(wǎng)的入口，語音就是最簡單的，最直接的交互方式，是通用的輸入模式。當然現(xiàn)有的很多語音產(chǎn)品還沒有那么成功，我認為雖然現(xiàn)在產(chǎn)品比較多，但是真正好用的，讓人經(jīng)常想用的卻不多。云棲社區(qū)：就像您提到的現(xiàn)在語音識別產(chǎn)品用起來其還會有各種各樣的問題，要達到真正完全可用的狀態(tài)我們還需要克服哪些難題？初敏：我覺得脫離了應用場景講識別準確率、講產(chǎn)品根本就是不靠譜的，大家談到的百分之多少的識別準確率理論上不存在，任何一個準確率都是在特定場景下測出來的，不同的場景測出來不一樣，做一套模型在所有場景上都達到非常高的準確率，是不太現(xiàn)實的。以云棲大會為例，云棲大會的Talk，語音識別準確率基本上能做到95%以上，但如果突然邀請一個特殊領域的講演者，比如醫(yī)療領域，可能就很難達到同樣好的效果，因為現(xiàn)有模型在醫(yī)療領域的知識積累不夠。所以，要把語音技術在各種領域普及開來，能快速針對不同場景進行模型調(diào)優(yōu)和定制變得非常重要，這也是我們下面主要推進的一個方向。云棲社區(qū)：阿里在語音交互上重點做了哪些事？初敏：這兩年來我們其實做了很多工作。一方面是在算法方面的嘗試，語音這兩年進步的比較快實際上就是深度學習的成功應用，我們嘗試了各種深度學習模型，如DNN、CNN、BLSTM（雙向長短時記憶神經(jīng)網(wǎng)絡），特別是在業(yè)界最先大規(guī)模上線了基于BLSTM的系統(tǒng)。同時，我們也會嘗試各種新算法。需要提到的是有些算法比較復雜，實驗效果好，但是上線就有些難度，所以我們需要進行大量的嘗試。另外，現(xiàn)在這些模型的訓練是復雜度挺高的，訓練的時間一般會很長，特別是當你的數(shù)據(jù)特別多的時候。 模型訓練的很大一部分任務要由GPU處理，在多臺機器上的多塊GPU卡上并行訓練，才能提升模型優(yōu)化的效率，因此我們也需要進行一些這種底層基礎設施的建設。另一方面，我們也在在建模單元上做一些嘗試，傳統(tǒng)的做法是對狀態(tài)建模（通常把一個音素切成三個狀態(tài)），現(xiàn)在我們成功的使用音素作為建模單元，在準確率保持的前提下，解碼效率提升高三到五倍。更大的建模單元也在嘗試中。除了語音識別，我們在語音合成、對話管理，問答等方面也做了很多工作，還包括在不同端上的信號處理，例如麥克風陣列等等都是要去實踐的。這樣才能完成語音交互的完整過程。云棲社區(qū)：在算法的選擇上是怎么考量的？初敏：算法實際上有很多，DNN是全連接的，CNN是有卷積的，然后RNN基本上是序列的，我們實驗最成功的是雙向的BLSTM，而現(xiàn)在還是有些其他的選擇，包括優(yōu)化準則方面的變化。最終在線上系統(tǒng)采用什么算法，需要綜合考慮，既要看效果，同時還要考慮到計算效率，部署成本等因素。云棲社區(qū)：去年雙十一阿里ET語音交互系統(tǒng)有亮相，它還有哪些提升空間？初敏：ET語音交互系統(tǒng)確實還有改善的空間，我們平常準確率能做到95%、96%的水平，但當時主持人講的語速太快，準確率也就不盡如人意了。此外，跟主持人交互的自由度方面，也還有很多可以做的事情。云棲社區(qū)：團隊做了哪些改善方案？初敏：要在更多的場景用好就必須要有大量的數(shù)據(jù)。因為場景的磨合都是和數(shù)據(jù)有關，數(shù)據(jù)是什么場景來的，它就可以在這個場景下取得好的效果。之前我們在客服領域的數(shù)據(jù)特別多，然后還有一些就手機端的，比如說手淘，但是視頻類的就會差一些。因此，我們就有針對性的增加數(shù)據(jù)，同時增加各種可能的背景噪聲，在專門優(yōu)化后，視頻里的語音的識別效果就大幅提升了。因此，快速的模型定制對語音技術的廣泛應用非常重要。我們現(xiàn)在花了很多時間研發(fā)系統(tǒng)的定制能力，這樣用戶在系統(tǒng)上提交數(shù)據(jù)就可以通過我們的自動流程來定制他們的模型，這個模型在他們需要的場景下可以取得比通用模型更好的效果。我們現(xiàn)在很多的工作是從這個角度來看。我認為將來這方面是誰的能力最強，誰就能真正在市場上快速把它用起來。目前市面上，基本上還沒有哪個團隊在提供快速定制化服務，我們是非常領先的。云棲社區(qū)：下個月舉行的CCAI大會上開設了“語言智能與應用”論壇，針對這一方向，您認為現(xiàn)在學術界和產(chǎn)業(yè)界還存在哪些痛點？初敏：就像你剛才問到的，語音識別宣傳得很好，但很多時候用起來還沒有預期的那么好，主要是因為技術到產(chǎn)品的落地之間還有很多工作沒有做好、做細致。語音識別不是萬能的，隨便一接就可以的用的很順暢的。技術使用起來往往需要一個迭代的過程的，需要先上線，然后在場景里收集數(shù)據(jù)去評估，優(yōu)化模型，改善用戶體驗。經(jīng)過幾輪迭代，才可以發(fā)揮最佳效果。其他AI技術也是相似的。今天很多AI技術的用戶很容易把技術的能力理想化，感覺一引入，就應該立竿見影的看到效果。看到實際效果不盡人意時，就會感覺有很大的落差，失望和放棄。所以，我想強調(diào)的是，一方面智能語音技術已經(jīng)達到廣發(fā)應用的水平，同時在真正落地的時候，要充分認識到可能遇到的困難，有持久戰(zhàn)的思想準備。云棲社區(qū)：下個月您會在CCAI語音交互分論壇上分享，作為演講嘉賓您希望能給開發(fā)者帶來什么樣的幫助？初敏：語音交互技術在未來三五年內(nèi)會大規(guī)模應用，這是大家都看到的趨勢，但是換句話說，大家都希望產(chǎn)品在目標場景中取得好的效果，但現(xiàn)實很殘酷，并不是每個人都是算法或者人工智能領域的資深專家，需要一個不斷學習和迭代的過程。AI技術的應用是一個系統(tǒng)工程，我們要有足夠的耐心去打通產(chǎn)品和體驗的優(yōu)化鏈路，在應用中不斷提升效果。

總結(jié)

以上是生活随笔為你收集整理的语音识别真的比肩人类了？听听阿里iDST初敏怎么说的全部內(nèi)容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網(wǎng)站內(nèi)容還不錯，歡迎將生活随笔推薦給好友。