智能時代，語音識別

神經(jīng)網(wǎng)絡(luò)，深度學(xué)習(xí)

語音識別技術(shù)方便于長輩們?nèi)谌牒Ａ繑?shù)據(jù)的互聯(lián)網(wǎng)時代，成為長輩們與外界交流的一大利器。不過，千萬不要認為在未來人工智能時代中的語音識別僅僅是單純運用到手機聊天中的識別錄入文字。語音識別技術(shù)隨著深度學(xué)習(xí)及高性能計算的不斷發(fā)展，正逐漸從實驗室邁向工業(yè)領(lǐng)域。

語音識別簡史

1952年，美國AT&T貝爾實驗室開發(fā)出了第一個基于電子計算機的語音識別系統(tǒng)Audrey，其可以識別10個英文數(shù)字，準確率為98%；進入60年代，語音識別領(lǐng)域的兩大突破是線性預(yù)測編碼，以及動態(tài)時間規(guī)整技術(shù)；

在60年代后期，隱馬爾可夫模型被Leonard E. Baum等人提出，HMM的提出是語音識別歷史上的一個重大突破，使當(dāng)時語音識別的錯誤率大大降低；李開復(fù)等人則在1988年第一次實現(xiàn)了基于HMM的大詞匯量語音識別系統(tǒng)Sphinx。

另一方面，早在上世紀80年代，人工神經(jīng)網(wǎng)絡(luò)已經(jīng)被引入語音識別。起初人工神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)多為簡單的多層感知機，但受限于當(dāng)時的計算能力以及語音數(shù)據(jù)的稀少，人工神經(jīng)網(wǎng)絡(luò)并沒有在識別率上帶來很大的提升。

近年來，隨著計算能力的提升和語音數(shù)據(jù)的增加，神經(jīng)網(wǎng)絡(luò)被廣泛應(yīng)用于語音識別任務(wù)中。深度神經(jīng)網(wǎng)絡(luò)技術(shù)的出現(xiàn)，也進一步提高了大規(guī)模連續(xù)語音識別的性能,目前已經(jīng)成為學(xué)術(shù)界和工業(yè)界研究的熱點內(nèi)容之一。

語音識別的技術(shù)支持

目前，在語音識別領(lǐng)域廣泛采用的神經(jīng)網(wǎng)絡(luò)有時延神經(jīng)網(wǎng)絡(luò)、深度神經(jīng)網(wǎng)絡(luò)、卷積神經(jīng)網(wǎng)絡(luò)、遞歸神經(jīng)網(wǎng)絡(luò)以及基于長短期記憶的RNN等。

通常將這些深度神經(jīng)網(wǎng)絡(luò)模型與HMM模型結(jié)合構(gòu)建完整的聲學(xué)模型，并結(jié)合語言模型等提升語音識別性能。

在語言模型方面，雖然傳統(tǒng)的N元模型一直是主流技術(shù)，但基于神經(jīng)網(wǎng)絡(luò)的語言模型從2012年開始被較為廣泛的研究，如RNN-LM、LSTM-LM等。

鑒于基于神經(jīng)網(wǎng)絡(luò)的語言模型的計算量較大，一般先利用N元模型初始化，然后再用基于神經(jīng)網(wǎng)絡(luò)的語言模型重打分，即神經(jīng)網(wǎng)絡(luò)語言模型并不直接用于解碼，而是在基線系統(tǒng)解碼結(jié)果的基礎(chǔ)上進行得分重估。

同時，RNN-CTC的出現(xiàn)使得語音識別擺脫了傳統(tǒng)方法中聲學(xué)模型、語言模型、解碼器等模塊化的束縛，通過采用對輸入輸出序列直接建模的方法，只需訓(xùn)練一個神經(jīng)網(wǎng)絡(luò)模型即可進行識別，因此被稱為端到端語音識別。

端到端的模型可以解決傳統(tǒng)方法中各個模型訓(xùn)練目標不一致的問題。另外，由于實際中可獲取的文本數(shù)據(jù)比語音數(shù)據(jù)多得多，所以往往還會用文本數(shù)據(jù)訓(xùn)練一個更好的語言模型，與CTC神經(jīng)網(wǎng)絡(luò)結(jié)合使用。

深度神經(jīng)網(wǎng)絡(luò)用于人工智能應(yīng)用的問題在于其實時率等性能指標還需有待提高，但是端到端語音識別開辟了人工智能的一個新方向，而且訓(xùn)練的過程相對簡單，因此人工智能方向上的端到端識別將會是未來的技術(shù)趨勢之一。此外人工智能再進一步改進網(wǎng)絡(luò)結(jié)構(gòu)、改進訓(xùn)練方法，逐步使人工智能性能達到工業(yè)水平和要求，進入商用階段指日可待。