2018 年 9 月 6 日下午，網易有道在 AI 開放日上發布了全新一代有道翻譯王 2.0 Pro。隨后在 9 月 20 日舉辦的Google開發者大會上，有道技術總監林會杰分享了端側 AI 在智能硬件產品上的重要性，并且現場演示了有道翻譯王基于端側 AI技術實現的全離線語音翻譯功能。與云側 AI 相比，端側 AI 具有無網絡延遲、更高的穩定性、數據隱私性、響應實時性， 這些特性使得端側 AI 滿足超低延遲場景，如文檔掃描、AR 翻譯、實時語音翻譯等。

在這場發布會之前，有道技術團隊已經在移動端離線 AI 技術上做了很多努力和探索。尤其是在端側 AI 部分應用了 Google 發布的 TensorFlow Lite，本文將介紹有道翻譯王的 AI 技術，以及 TensorFlowLite 在有道翻譯王上的應用。

有道翻譯王主要用到的 AI 技術有 OCR（光學字符識別）、NMT（神經機器翻譯）、ASR（自動語音識別）、TTS（語音合成）。這些技術滿足了一個翻譯機的基本要求，通過在 TensorFlow Lite 框架上實現和加速，使得應用效果更加優異。

一臺有道翻譯王包括多少種 AI 技術？

OCR

光學字符識別（Optical Character Recognition，OCR）是指對文本資料的圖像文件進行分析識別處理，獲取文字及版面信息的過程。亦即將圖像中的文字進行識別，并以文本的形式返回。有道 OCR 主要分為兩個部分，一個是檢測部分，另一個是識別部分。檢測部分是指在一張圖片上尋找文字所在區域并框選出來，然后將標出的區域送入識別部分從而得出結果。

NMT

近年來，深度學習技術的發展為解決上述挑戰提供了新的思路。將深度學習應用于機器翻譯任務的方法大致分為兩類：

仍以統計機器翻譯系統為框架，只是利用神經網絡來改進其中的關鍵模塊，如語言模型、調序模型等；

不再以統計機器翻譯系統為框架，而是直接用神經網絡將源語言映射到目標語言，即端到端的神經網絡機器翻譯（End-to-End Neural Machine Translation，End-to-End NMT），簡稱為 NMT 模型。

ASR

自動語音識別技術 ( Automatic Speech Recognition，ASR ) 是一種將人的語音轉換為文本的技術。語音識別是一個多學科交叉的領域，它與聲學、語音學、語言學、數字信號處理理論、信息論、計算機科學等眾多學科緊密相連。由于語音信號的多樣性和復雜性，語音識別系統目前只能在一定的限制條件下獲得滿意的性能，或者說只能應用于某些特定的場合。

TTS

語音合成（Text To Speech，TTS）技術將文本轉化為聲音，目前廣泛應用于語音助手、智能音箱、地圖導航等場景。TTS 的實現涉及到語言學、語音學的諸多復雜知識，因合成技術的區別，不同的 TTS 系統在準確性、自然度、清晰度、還原度等方面也有著不一樣的表現。

以上這些 AI 技術會用到 CNN、RNN 等神經網絡，這些網絡會用到較為常用的算子，如卷積層、全連接層、池化層、Relu 層。由于 TensorFlow 工作流程相對容易，API 穩定，兼容性好，并且 TensorFlow 與 Numpy 完美結合，使其較為容易上手，所以我們在訓練模型時主要采用 TensorFlow 框架，可以大大的降低成本和節省精力。

有道首個運用 TensorFlow Lite 技術的智能硬件設備

TensorFlow Lite 簡介

TensorFlow Lite 是 TensorFlow 針對移動和嵌入式設備的輕量級解決方案。它為設備上的機器學習預測降低了延遲，減小了二進制大小。TensorFlow Lite 還支持硬件加速的 Android NNAPI。這樣一來，就對算法的開發和部署有了很大的優勢。

TensorFlow Lite 優勢

輕量級：允許小 binarysize和快速初始化／啟動的設備端機器學習模型進行推斷。

跨平臺：運行時的設計使其可以在不同的平臺上運行，如目前支持的 Android 和 iOS。

快速：專為移動設備進行優化，包括大幅提升模型加載時間，支持硬件加速。

TensorFlow Lite 集成 Android 項目

（1）首先添加 TensorFlowLite 庫到項目中：

compile ‘org.tensorflow:tensorflow-lite:+’

（2）然后導入 TFliteinterpreter：

import org.tensorflow.lite.Interpreter;

（3）這樣就可以創建一個 Interpreter：

protected Interpreter tflite;

tflite = new Interpreter(loadModelFile(activity));

（4）載入模型函數示例：

/** Memory-map the model file in Assets. */

private MappedByteBuffer loadModelFile(Activity activity) throwsIOException {

AssetFileDescriptor fileDescriptor =activity.getAssets().openFd(getModelPath());

FileInputStream inputStream = newFileInputStream(fileDescriptor.getFileDescriptor());

FileChannel fileChannel = inputStream.getChannel(); long startOffset = fileDescriptor.getStartOffset();

long declaredLength = fileDescriptor.getDeclaredLength();

return fileChannel.map(FileChannel.MapMode.READ_ONLY, startOffset,declaredLength);

}

（5）執行模型：

tflite.run(imgData, labelProbArray);

模型速度測試及比較

我們測試了常用的深度學習模型在 TensorFlow 和 TensorFlow Lite 上的運行速度， 模型分別為 InceptionV3、MobileNetV1、MobileNetV2。

同時，在 TensorFlow Lite 平臺上，對浮點模型和量化模型進行速度測試比較。

TensorFlow 和 TensorFlow Lite 具有良好的通用性，除此之外，對于專有硬件平臺，我們還對比了高通公司的SNPE ( Snapdragon Neural Processing Engine)，測試InceptionV3 模型運行在驍龍 835 芯片的 CPU、GPU、DSP 上的速度。

測試有道 OCR Detection 模型在 TensorFlow、TensorFlow Lite 和高通 SPNE 上的運行情況。

由此可見，SNPE 的 CPU 運行速度要比 TensorFlow 的 CPU 速度慢了很多，但是在DSP 上的運行速度明顯優于 CPU 和 GPU。雖然各大芯片廠商積極推出了高效能的神經網絡處理器（NPU），但在模型轉換和平臺集成方面不盡如人意，其通用性和便利性遠遠不如 TensorFlow Lite。

TensorFlow Lite + 有道翻譯王 探索更多可能性

近年來，網易有道在 AI 領域已經做出了很多嘗試和探索，積累了很多經驗，同時也創造了很多價值。隨著深度學習的模型所需算力的增加，在移動端流暢運行模型則成為了一大挑戰，為了解決這一大問題，各大硬件廠商推出神經網絡加速芯片，軟件廠商也通過各種優化來提高速度。Google 也為此做出了努力， 推出了 TensorFlow Lite，優化了模型體積，提高了運行速度，還可以通過NNAPI 實現硬件加速。

由于 TensorFlow Lite 具有良好的通用性，可以適應多種不同的硬件平臺，所以在模型適配上節省了很多成本。目前 TensorFlow Lite 對 LSTM 的支持在不斷完善，有道未來打算進一步完成相關模型的遷移和適配。同時也希望 TensorFlow Lite 能通過 Android NNAPI 可以集成更多的硬件平臺，包括 Google 最新發布的 Edge TPU 等， 充分利用不同硬件平臺的神經網絡芯片加速，從而能夠使得更多的 AI 技術能夠更加高效率、低功耗、低延遲的運行在各種智能硬件設備上，真正實現讓 AI 無處不在。