本文來源：騰訊科技

12月11日，人工智能公司依圖科技公布了在中文語音識別技術上的最新突破。在全球最大的中文開源數據庫AISHELL-2中，依圖短語音聽寫的字錯率（CER）僅為3.71%，領先原業內領軍者約20%，刷新現有紀錄。依圖還聯合微軟Azure推出依圖語音開放平臺，并攜手華為發布“智能語音聯合解決方案”，將依圖領先的語音識別技術提供給廣泛的第三方應用開發者，共同推動智能語音行業的進步。

依圖首席創新官呂昊博士

語音識別技術遠未成熟技術透明度差

近年來，深度學習的爆發驅動了語音識別技術的高速發展，但相較于人臉識別在準確率方面的高增速來說，語音識別的發展仍較為緩慢。盡管一些機構已宣傳達到了人類水平，但大多數情況下都來自安靜、近場等受限場景。對于電話、語音節目、遠場等更復雜場景，則需要針對性地開發不同模型，但實際應用中的不確定性，使理想和現實仍有較大差距，導致應用場景難以得到更大突破。

對語音識別來說，語速、語態、語氣、口音等都會顯著影響識別的準確率。一般認為，字錯率在低于3%時不會影響可讀性，而超過15%則毫無可讀性。這兩個數據可認為是語音識別的兩條紅線，而在不同場景下，不同算法的表現可能會有很大差異。在中文語音識別技術領域，漢語的博大精深帶來的同音不同意等問題，更對語音識別的處理難度帶來極大挑戰，顯著影響最終的使用體驗。

依圖首席創新官呂昊博士表示，“語音識別技術經歷了漫長的發展進化，但至今都只能在受限的場景下才能達到較好的使用效果。我們認為，核心技術的突破，依然是當前破局中文語音識別發展的關鍵。在語音識別領域，依圖科技是一名新生，但立志推動行業創新與發展，做好的中文普通話語音識別技術。”

訊飛依圖等各家算法差異巨大訊飛依圖具有優勢

依圖此次推出的中文語音識別算法，與業內原有領先者相比，不僅大幅提升了識別準確率，且在單個算法模型上，有極為出色的多場景適用性表現。在業內近期公開的AISHELL-2的三個測試子集，以及來自第三方的近場口音測試集、近場安靜聊天測試集、語音節目測試集、電話測試集、遠場測試集中，依圖均處于業界領先水平，且字錯率幾乎全部在15%以下。其中，在AISHELL2-2018A-EVAL數據集中，依圖的識別準確率達到96.29%，字錯率（CER）僅為3.71%，領先原業內領軍者約20%。通過“聽寫大會”微信小程序，讓用戶可以直觀感受到語音識別技術的真實表現，在業界也屬首次，公開透明的體驗各類算法的水平差異。

AISHELL-2是AISHELLFoundation和希爾貝殼宣布的開源數據庫，數據規模達1000小時，是目前全球最大的中文開源數據庫。它由1991名來自中國不同口音區域的發言人參與錄制，經過專業語音校對人員轉寫標注，通過了嚴格質量檢驗，數據庫文本正確率在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、工業生產等12個領域。

中文語音識別機器和人還有差距產業發展任重道遠

基于在語音識別領域的技術突破，依圖與微軟也宣布進一步深化合作伙伴關系，聯合推出依圖語音開放平臺。該平臺將基于微軟Azure云，將行業領先的語音識別技術能力開放給廣泛的第三方應用開發者，并攜手為廣大用戶和客戶提供更全面的服務及更好的體驗。在聯合發布語音開放平臺之后，依圖與微軟還將在智能語音領域展開更深層次的合作，共建AI生態。

依圖還攜手華為聯合發布“智能語音聯合解決方案”，該方案基于依圖語音開放平臺及華為全棧全場景昇騰（Ascend）系列芯片和面向數據中心側的Atlas300AI加速卡，將雙方強大的技術研發能力與生態服務能力深度結合，形成軟硬件一體化的聯合解決方案。借助該解決方案，第三方應用開發者可進一步提升開發效率，從業界領先的語音技術中受益。

語音識別是AI理解世界最重要的組成部分，也是人人交互、人機交互最重要的入口。此次依圖科技在語音識別技術方面的突破，不僅意味著依圖在語音識別領域已躋身中文語音識別前列，同時也說明語音識別在技術層面還有足夠的進化空間。依圖預計，在未來6個月到12個月，語音識別技術的算法性能將呈指數級增長，更多的場景將被解鎖，為行業應用帶來更大的價值。