奇富科技推出智能语音模型 Qifusion，语音识别准确率可达 93% 以上

近日，奇富科技智能语音团队论文《Qifusion-Net：基于特征融合的流式/非流式端到端语音识别框架》(Qifusion-Net: Layer-adapted Stream/Non-stream Model for End-to-End Multi-Accent Speech Recognition)被全球语音与声学顶级会议 INTERSPEECH 2024 收录。

我国地域广阔，方言种类繁多，其语法和语音特征存在显著差异。同时，由于噪声的干扰、方言的混杂现象、主观感知在标注过程中的偏差，以及人力标注工作的复杂性和系统性不足，语音识别技术的准确性和智能化水平受到了一定程度的限制。

在金融服务领域，现有的通用语音识别技术在处理方言时往往难以达到理想的效果，不仅影响了人机交互的准确性和智能化水平，也对服务的效率和质量产生了负面影响。

奇富科技引入了全自研 Qifusion 框架模型，并将其集成到智能营销及贷后提醒等业务场景中。在应用上，Qifusion 框架模型能够提升智能营销、贷后提醒、风险控制业务应用场景识别准确率，帮助解决以上问题。并且在复杂的通话环境中，Qifusion 的语音识别准确率达到了 93%以上，意图识别准确率超过 95%。

• 方言种类丰富：凭借丰富的数据样本，Qifusion 框架模型在原有东北官话、胶辽官话、北京官话、冀鲁官话、中原官话、江淮官话、兰银官话和西南官话等国内八种主流方言的基础上，强化了四川、重庆、山东、河南、贵州、广东、吉林、辽宁、黑龙江等用户密集地区的方言识别能力。

• 方言识别准确：Qifusion 框架模型具备自动识别不同口音的能力，并能在时间维度上对解码结果进行口音信息修正，使方言口音的语音识别误差率降低了 30%以上，整体语音识别字错率降低了 16%以上，提升了用户体验。

• 方言识别高效：Qifusion 框架采用了创新的层自适应融合结构，能通过共享信息编码模块，更高效的提取方言信息。同时，该框架模型还支持即说即译功能，能在无需知晓额外方言信息的前提下，对不同方言口音的音频进行实时解码，实现精准的识别和转译。