國際頂級語音會議ASRU 2023（IEEE Workshop on Automatic Speech Recognition and Understanding，簡稱ASRU）于12月16日-20日順利舉辦。傳音AI技術部在ASRU 2023 MADASR（Model ADaptation for ASR in low-resource Indian languages，簡稱MADASR）關于孟加拉語和博杰普爾語的低資源語音識別比賽中斬獲多項佳績，在受限和非受限的4個賽道、2個語種與WER、CER 2個評價指標共16個細分子賽道上獲得2個第一名、6個第二名和5個第三名。

ASRU研討會是語音與語言處理學術圈的頂級會議，由IEEE語音和語言處理技術委員會主辦，每兩年舉行一次，歷史悠久，影響廣泛。此次MADASR比賽是ASRU 2023的重要賽事，由IBM、布爾諾理工大學、微軟研究院、愛丁堡大學和印度科學研究所舉辦，旨在以孟加拉語和博杰普爾語為例，探索低資源語言的語音識別難題。比賽吸引了中科院自動化所、愛沙尼亞塔林理工大學、印度坎普爾理工學院、印度科學研究所-馬德拉斯語音實驗室、印度科學研究所-孟買數字音頻處理實驗室、印度浦那高級計算發展中心等多家國內外知名高校和研究機構參賽。

自動語音識別（Automatic Speech Recognition，簡稱ASR）主要用于將人類語音轉換為計算機可讀的文本或命令，實現人機交互和自然語言處理。近年來，得益于基于自監督學習的聲學模型（如 wav2vec2）和大規模多語言訓練（如 Whisper），自動語音識別性能大幅提高，然而低資源語言由于音頻和文本數據有限，仍面臨巨大的挑戰。

在ASRU 2023 MADASR比賽中，傳音AI技術部開發的語音識別系統，在算法層面使用了兩種方案，一種是基于U2（Unified-2 pass）框架的編碼器和解碼器結構，使用短時連接分類（Connectionist Temporal Classification）和注意力重打分（Attention Rescore）；另一種是基于Whisper的改進和微調的結構。該系統顯著提升了低資源語言語音識別的準確性和效率，克服了語音數據的稀缺難題，其解決方案將為其他低資源語言提供參考。

據Ethnologue網站統計，世界上有7000多種語言，其中90%的語種使用人數少于10萬人，不同語種尤其是小語種之間的溝通交流仍面臨極大挑戰。傳音長期深耕新興市場，面對新興市場智能語音技術空白，不斷加強多語種數據建設，開發小語種語音識別、語義理解、知識圖譜、語音合成等算法模型，除了提供多語種語音轉寫的服務能力，未來還將提供大語言模型生成式交互和跨語種翻譯能力，使不同語種之間的交流更順暢，讓更多的小語種使用群體受益。

傳音始終以新興市場的消費者為中心，重視新興市場用戶的需求。未來，傳音將繼續結合行業技術發展趨勢和本地消費者洞察，在AI技術研究和智能終端應用領域發力，通過技術為用戶、為社會創造更多價值，讓盡可能多的人盡早享受科技和創新帶來的美好生活。