创新性应用深度学习,IBM 在语音识别领域取得了里程碑式突破

  • Srini Penchikala
  • Rays

2017 年 4 月 10 日

话题:IBM大数据语言 & 开发架构AI

最近,IBM 的一个研究团队宣布他们在语音识别上创造了一个新的业界纪录,在使用SWITCHBOARD 语料库的情况下词错误率为 5.5%,接近于人类的错误率 5.1%。人们一般会在所听到的 20 个单词中遗失其中的一到两个。在一次五分钟左右的对话中,大约会遗失 80 个词。

研究计划中包括深度学习技术的应用和声学模型的集成。其中语音识别模型使用了长短期记忆(LSTM,Long Short Term Memory)和 WaveNet语言模型。在声学模型上,他们使用了三个模型的分数融合(Score Fusion)。第一个模型是有多特征输入的 LSTM,第二个模型是经过说话者对抗多任务学习(Speaker-adversarial Multi-task Learning)训练后的 LSTM。第三个模型是具有 25 个卷积层与时间扩张(Time-dilated)卷积的残差网络(ResNet)。最后一个模型不仅从正向的例子中学习,而且也使用了负向的例子,因此当类似的语音模式重现时,会具有更好的表现。

来自蒙特利尔大学蒙特利尔学习算法实验室(Montreal Institute for Learning Algorithms )的Yoshua Bengio对语音识别技术是如此评论的:

在过去的几年中,尽管在语音识别或物体识别等人工智能领域取得了巨大的进展,技术上也已经接近于人类的水平,但在科学上依然存在着挑战。诚然,标准的基准测试并非总能揭示真实数据的多样性和复杂度。例如,不同的数据集对于不同的任务会呈现出不一样的敏感性,而且结果十分依赖于如何对被测试人员进行评估,比如使用专业的誊写员进行语音识别测试。

他也指出,IBM 的这项研究将声学模型与语言模型应用于神经网络与深度学习,有助于推进语音识别技术的发展。

另据一些语音识别相关的新闻报道,IBM 已将Diarization添加到他们的“Watson 语音转文本”服务中。这一技术有助于一些用例的实现,例如识别交谈中的各方发言者。所有这些成就所带来的技术有助于解决人类耳朵、声音和大脑交互复杂性的问题。

查看英文原文: Using Deep Learning Technologies IBM Reaches a New Milestone in Speech Recognition


感谢薛命灯对本文的审校。

给 InfoQ 中文站投稿或者参与内容翻译工作,请邮件至editors@cn.infoq.com。也欢迎大家通过新浪微博(@InfoQ@丁晓昀),微信(微信号:InfoQChina)关注我们。

IBM大数据语言 & 开发架构AI