依圖強(qiáng)勢(shì)進(jìn)軍智能語音，聯(lián)合微軟發(fā)布語音開放云平臺(tái)

依圖強(qiáng)勢(shì)進(jìn)軍智能語音，聯(lián)合微軟發(fā)布語音開放云平臺(tái)，攜手華為發(fā)布軟硬件一體化的智能語音聯(lián)合解決方案。依圖語音識(shí)別算法在全球最大開源中文數(shù)據(jù)庫AISHELL-2上詞錯(cuò)率僅3.71%，比原業(yè)內(nèi)領(lǐng)先者提升約20%，大幅刷新現(xiàn)有紀(jì)錄。比對(duì)各家語音識(shí)別算法，當(dāng)今智能語音戰(zhàn)場(chǎng)，英雄唯訊飛與依圖爾？

2018年底，智能語音市場(chǎng)意外殺入一匹黑馬。

素來被認(rèn)為是“人臉識(shí)別獨(dú)角獸”——或者更寬泛一點(diǎn)說，“計(jì)算機(jī)視覺獨(dú)角獸”的依圖科技，公布了他們中文語音識(shí)別技術(shù)的最新突破，以及令人矚目的產(chǎn)業(yè)布局。

技術(shù)上，在全球最大的中文開源數(shù)據(jù)庫AISHELL-2中，依圖短語音聽寫的字錯(cuò)率（CER）達(dá)到3.71%[1]，相比原業(yè)內(nèi)領(lǐng)先者提升約20%，大幅刷新現(xiàn)有紀(jì)錄。

產(chǎn)業(yè)上，依圖聯(lián)合微軟推出基于Azure云服務(wù)的語音開放平臺(tái)，并攜手華為發(fā)布軟硬件一體化的“智能語音聯(lián)合解決方案”，將依圖語音識(shí)別技術(shù)提供給第三方應(yīng)用開發(fā)者。

依圖首席創(chuàng)新官呂昊博士

“語音一直以來都是依圖關(guān)注的課題。作為對(duì)人工智能有著深入理解和推廣應(yīng)用的公司，我們自然而然進(jìn)入語音識(shí)別領(lǐng)域?！币缊D首席創(chuàng)新官呂昊博士表示，依圖是一家“人工智能公司”。

“作為語音行業(yè)的‘新生’，我們還是有很多向‘老生’學(xué)習(xí)的地方，但我們立志推動(dòng)行業(yè)創(chuàng)新與發(fā)展，做世界最好的中文普通話語音識(shí)別技術(shù)?！?/p>

智能語音競(jìng)爭(zhēng)還未開始，依圖要做世界最好的中文語音識(shí)別

萬物互聯(lián)，語音為先。

語音識(shí)別是AI理解世界最重要的組成部分，也是AI能聽會(huì)說善理解的必要條件。

近年來，深度學(xué)習(xí)的爆發(fā)驅(qū)動(dòng)了語音識(shí)別技術(shù)的高速發(fā)展，催生了一大批智能語音創(chuàng)業(yè)公司，其中不乏實(shí)力強(qiáng)勁的競(jìng)爭(zhēng)者。

除了中國智能語音“一哥”科大訊飛，百度、阿里、騰訊、京東等企業(yè)紛紛推出了智能語音產(chǎn)品，再加上雄踞國際戰(zhàn)略高點(diǎn)的亞馬遜、谷歌、微軟……2017年底掀起的智能音箱“百箱大戰(zhàn)”硝煙還未褪去，依圖為何選擇這個(gè)時(shí)間點(diǎn)入局？

“我覺得競(jìng)爭(zhēng)都還沒開始，不存在入場(chǎng)的問題?！币缊D科技聯(lián)合創(chuàng)始人林晨曦在2018年1月接受新智元采訪時(shí)說。

智能語音市場(chǎng)看似巨頭林立，但林晨曦認(rèn)為創(chuàng)業(yè)公司大有可為，依圖不僅要做語音和自然語言處理，還要做到像人臉識(shí)別那樣，超越人類水平。

依圖技術(shù)負(fù)責(zé)人表示，盡管一些機(jī)構(gòu)宣傳其語音識(shí)別已經(jīng)達(dá)到乃至超越了人類水平，但多數(shù)情況下，這些結(jié)果都來自安靜、近場(chǎng)等受限場(chǎng)景。

“機(jī)器在語音環(huán)境比較理想的情況下是可以識(shí)別某些生僻詞，或者在專有名詞等識(shí)別方面比人強(qiáng)。但人的魯棒性還是強(qiáng)于機(jī)器，人在熟人且熟悉領(lǐng)域上的語音識(shí)別還是明顯能夠做過算法。”

目前語音識(shí)別仍然存在很多瓶頸，例如在發(fā)音不清楚的情況下，如何結(jié)合更強(qiáng)的上下文語義信息給出準(zhǔn)確的語音識(shí)別；如何在語音識(shí)別的全鏈路上，優(yōu)化遠(yuǎn)場(chǎng)識(shí)別的性能；特殊情況的處理，比如人稱代詞、語氣詞助詞；還有雞尾酒問題（多人同時(shí)說話下，能夠準(zhǔn)確識(shí)別其中一人的語音）、電話場(chǎng)景的識(shí)別（低采樣率下的語音識(shí)別）。

此次依圖科技在語音識(shí)別技術(shù)方面的突破，不僅意味著依圖首次涉足語音識(shí)別領(lǐng)域便已經(jīng)躋身中文語音識(shí)別第一陣營，同時(shí)也說明語音識(shí)別在技術(shù)層面還有足夠的進(jìn)化空間，遠(yuǎn)遠(yuǎn)沒有達(dá)到“超越人類”。

依圖預(yù)計(jì)，在未來6個(gè)月到12個(gè)月，語音識(shí)別技術(shù)的算法性能將呈指數(shù)級(jí)增長，更多的場(chǎng)景將被解鎖，為行業(yè)應(yīng)用帶來更大的價(jià)值。

科大訊飛和依圖屬于第一梯隊(duì)，BAT差得遠(yuǎn)

作為進(jìn)軍智能語音的第一步棋，依圖發(fā)布了“聽寫大會(huì)”微信小程序，它能將時(shí)長不超過60秒的語音轉(zhuǎn)寫成文字，支持普通話，并且兼容多種口音。

“聽寫大會(huì)”微信小程序：業(yè)界也屬于首次公開透明地比對(duì)各類算法的水平差異

不過，“我們希望大家不要僅僅是關(guān)注在API本身，”依圖首席創(chuàng)新管呂昊表示：“我們希望借助這個(gè)API，讓大家去關(guān)注到整個(gè)語音識(shí)別行業(yè)的發(fā)展情況?！?/p>

呂昊說，一直以來語音識(shí)別業(yè)界都沒有公開透明的語音識(shí)別比對(duì)，通過“聽寫大會(huì)”微信小程序，用戶可以直觀感受到各家語音識(shí)別技術(shù)的真實(shí)表現(xiàn)，在業(yè)界也屬于首次公開透明地比對(duì)各類算法的水平差異。

訊飛依圖BAT各家算法差異巨大，訊飛依圖位列第一陣營

“目前語音識(shí)別業(yè)界存在兩種認(rèn)知誤區(qū)，”呂昊說：“一種是極端的好，也就是各家都好沒有差異；一種是極端的差，認(rèn)為都不能解決問題?！?/p>

實(shí)際情況是，“科大訊飛的語音識(shí)別能力比BAT領(lǐng)先很多。在場(chǎng)景測(cè)試中，除了依圖和科大訊飛之外，大部分廠家的算法字錯(cuò)率抖動(dòng)大，意味著場(chǎng)景的通用性差?！?/p>

依圖此次推出的中文語音識(shí)別算法，與業(yè)內(nèi)原有領(lǐng)先者相比，不僅大幅提升了識(shí)別準(zhǔn)確率，而且在單個(gè)算法模型上，有極為出色的多場(chǎng)景適用性表現(xiàn)。

一般認(rèn)為，中文語音識(shí)別的字錯(cuò)率低于3%時(shí)不會(huì)影響可讀性，而超過15%則毫無可讀性。這是語音識(shí)別的兩條紅線，在不同場(chǎng)景下，不同算法的表現(xiàn)可能會(huì)有很大差異。

在全球最大中文開源數(shù)據(jù)庫AISHELL-2[2] 的三個(gè)測(cè)試子集，以及來自第三方的近場(chǎng)口音測(cè)試集（Accent）、近場(chǎng)安靜聊天測(cè)試集（Chat）、語音節(jié)目測(cè)試集、電話測(cè)試集、遠(yuǎn)場(chǎng)測(cè)試集等測(cè)試場(chǎng)景中，依圖均處于業(yè)界領(lǐng)先水平，而且字錯(cuò)率幾乎全部在15%以下。

其中，在AISHELL2的-2018A-EVAL數(shù)據(jù)集中，依圖的識(shí)別準(zhǔn)確率高達(dá)96.29%，字錯(cuò)率僅為3.71%，領(lǐng)先第二名約20%。

這意味著依圖在語音領(lǐng)域做到了第一梯隊(duì) (甚至是領(lǐng)先) 的水平，在多場(chǎng)景的適用方面，也體現(xiàn)出顯著優(yōu)勢(shì)。

左有微軟，右有華為，用技術(shù)想象力撬動(dòng)語音市場(chǎng)

“依圖的語音API產(chǎn)品和語音開放平臺(tái)剛剛上線，我們歡迎越來越多的開發(fā)者和客戶使用依圖的產(chǎn)品，共同改進(jìn)產(chǎn)品性能，并探討更具突破性的應(yīng)用場(chǎng)景?！眳侮徽f。

關(guān)于未來預(yù)計(jì)推出的語音產(chǎn)品及其功能，呂昊表示，“實(shí)際上，我們認(rèn)為技術(shù)和場(chǎng)景是比產(chǎn)品和功能更關(guān)鍵的要素，推動(dòng)了技術(shù)發(fā)展進(jìn)步，我們才可以領(lǐng)略到以前看不到的更多可能性，解決很多以前想象不到的問題。今天語音識(shí)別跟人類的能力還有巨大的差距，依圖希望能夠攜手業(yè)界共同推動(dòng)行業(yè)進(jìn)步。”

發(fā)布會(huì)上，依圖宣布與微軟Azure云服務(wù)聯(lián)合發(fā)布語音開放平臺(tái)，將行業(yè)領(lǐng)先的語音識(shí)別技術(shù)能力開放給第三方應(yīng)用開發(fā)者。此外，依圖還將與微軟在智能語音領(lǐng)域展開更深層次的合作，共建AI生態(tài)。

2018年4月，微軟全球執(zhí)行副總裁沈向洋（右）訪問依圖。依圖科技聯(lián)合創(chuàng)始人、CEO朱瓏（左）曾在微軟亞洲研究院（MSRA）研發(fā)人臉識(shí)別算法，導(dǎo)師就是沈向洋。依圖科技聯(lián)合創(chuàng)始人林晨曦，業(yè)務(wù)技術(shù)副總裁吳岷，研發(fā)總監(jiān)周健等也都來自MSRA。圖片來源：依圖科技

與此同時(shí)，依圖也攜手華為聯(lián)合發(fā)布“智能語音聯(lián)合解決方案”，該方案基于依圖語音開放平臺(tái)，以及華為全棧全場(chǎng)景 Ascend（昇騰）系列芯片和面向數(shù)據(jù)中心側(cè)的 Atlas 300 AI加速卡，將雙方強(qiáng)大的技術(shù)研發(fā)能力與生態(tài)服務(wù)能力深度結(jié)合，形成軟硬件一體化的聯(lián)合解決方案，進(jìn)一步幫助提升開發(fā)效率。

自2016年成為合作伙伴以來，依圖和華為已形成全方位聯(lián)動(dòng)。今年3月，雙方共同發(fā)布“華為－依圖視頻云人像大數(shù)據(jù)”解決方案，布局全球城市級(jí)公共安全。10月，2018華為全聯(lián)接大會(huì)期間，依圖作為大會(huì)安保唯一AI合作伙伴，與華為聯(lián)合發(fā)布了分支視頻云聯(lián)合解決方案、智慧警務(wù)云解決方案和智慧園區(qū)解決方案，在平安城市、智慧警務(wù)、大數(shù)據(jù)應(yīng)用等方面持續(xù)加深合作。

10月9日，華為輪值董事長徐直軍（左二）、華為安平系統(tǒng)部總裁岳坤、華為企業(yè)BG行業(yè)Marketing與解決方案總裁喻東（左三）等一行到訪依圖。來源：依圖科技

此前，有傳言微軟Azure云服務(wù)在中國的數(shù)據(jù)中心將使用華為的昇騰芯片，這一消息尚未得到證實(shí)。但本次由依圖串接起來的微軟、華為合作鏈，不禁讓人浮想聯(lián)翩。

根據(jù)2018中國語音產(chǎn)業(yè)聯(lián)盟年會(huì)上周發(fā)布的《2017-2018中國智能語音產(chǎn)業(yè)白皮書》，全球智能語音產(chǎn)業(yè)規(guī)模持續(xù)增長，2014年至2018年，中國智能語音產(chǎn)業(yè)規(guī)模由30億元增長至159.7億元。

左有微軟，右有華為，再加上自身的技術(shù)，依圖在智能語音開局便湊齊了一手好牌。

最后要說的是依圖科技的首席創(chuàng)新官呂昊。呂昊今年2月加入依圖，之前是谷歌的研究科學(xué)家。根據(jù)依圖科技官方介紹，呂昊在谷歌期間曾負(fù)責(zé)孵化安卓APP啟動(dòng)推薦系統(tǒng)，這是全球首個(gè)移動(dòng)端APP啟動(dòng)推薦系統(tǒng)，也是全球首個(gè)基于機(jī)器學(xué)習(xí)的安卓產(chǎn)品。他會(huì)帶領(lǐng)依圖與華為孵化出怎樣的智能語音聯(lián)合解決方案？

林晨曦曾表示好的人才需要對(duì)未來充滿想象力，朱瓏也在文章里寫因?yàn)榭匆?，所以相信——現(xiàn)在這句話基本成了依圖的Slogan。

“99%識(shí)別率的算法和99.99%的算法，區(qū)別在于可解鎖的應(yīng)用場(chǎng)景，對(duì)技術(shù)商業(yè)價(jià)值的想象力將回答AI的場(chǎng)景在哪里以及多快到來?！?/p>

“我們認(rèn)為，目前語音識(shí)別仍處于初步發(fā)展的階段，依圖將始終保持在技術(shù)層面的投入，通過技術(shù)的突破來解鎖更多的可能，也歡迎合作伙伴與我們共同探索語音技術(shù)的行業(yè)應(yīng)用?！眳侮徽f。

注釋

[1] 一般在英文語音識(shí)別中用“詞錯(cuò)率”（WER），因?yàn)樽钚卧窃~；中文語音識(shí)別一般使用“字錯(cuò)率”（CER），因?yàn)樽钚卧亲?

[2] AISHELL-2是AISHELL Foundation和希爾貝殼創(chuàng)建的開源數(shù)據(jù)庫，含有1000小時(shí)中文語音數(shù)據(jù)，由1991名來自中國不同口音區(qū)域的說話者參與錄制，經(jīng)過專業(yè)語音校對(duì)人員轉(zhuǎn)寫標(biāo)注，通過了嚴(yán)格質(zhì)量檢驗(yàn)，數(shù)據(jù)庫文本正確率在96%以上，錄音文本涉及喚醒詞、語音控制詞、智能家居、無人駕駛、工業(yè)生產(chǎn)等12個(gè)領(lǐng)域.