（文章來源：CSDN）

微軟在30多年前開辦微軟研究院時，已開始投入大量的人力物力在語音和語言上。近幾年來，微軟在語音識別上首先取得突破，在2016年，語音識別的準確度已達到跟人相似的水平。2018年，在中英機器翻譯上和人類做比較，發現機器翻譯的質量跟專業翻譯人員的結果完全可以相媲美。

2018年9月，微軟首先發布了基于神經網絡的語音合成產品服務，它與人聲的自然度得分的比例達到98.6%，也就是說非常接近人聲。

語音識別之路微軟在語音識別的具體突破有哪些？語音識別主要核心指標是詞錯誤率，就是詞識別錯誤占多少比例。在SwitchBoard會話數據集上，語音識別錯誤率開始非常高，根本不能用，到2016年，微軟取得了突破，達到5.9%的錯誤率，2017年進一步降低到5.1%的錯誤率，這個錯誤率跟專業人員轉寫錄音的錯誤率是相當的。

大家聽聽這個數據集的例子：電話上有兩個人在交流，語音具有不連續性、噪音、口音，所以識別難度對機器來講是非常大的，微軟使用10個神經網絡技術，比如：CNN、ResNet、VGG等，多模型輸出打分、多系統融合，得到了這個了不起的突破。

機器翻譯的里程碑從1980年的傳統機器翻譯，到1990年的統計機器翻譯，再到2010年，深度學習機器翻譯技術開始興起。2018年，微軟首度提出一個任務，把機器跟人在中英新聞翻譯上做比較，讓專業翻譯人員和機器翻譯同樣的句子，翻譯后請懂雙語的老師和學生去對翻譯結果用0-100分進行打分。

可以看到微軟的Human Parity機器翻譯系統已經超過或者接近專業人員的翻譯水平。它的突破用到了新技術比如對偶學習，用大量無標注數據提高現有的翻譯系統。還有推敲網絡，先有一個初始翻譯，再用另外一個網絡進行再一次的修正，同時運用多系統融合技術，最終達到這個突破性的結果。

語音合成技術我們再看看語音合成技術，文字轉語音這個技術也是非常悠久的語音AI技術。

最開始是基于人的發音原理的合成器，然后90 年代用拼接的方法，把一句話分成很小的單元，然后進行拼接，一開始的拼接是小語料庫，自然度一般。在1999年左右，出現基于大語料庫的拼接，這時需要收集到成千上萬的句子，把它們切分開來，用一種選擇策略去選擇最合適的單元拼接在一起，自然度顯著提升，但是帶來新的問題，比如有些拼接不平滑。

2006年左右，基于HMM模型的合成技術興起，它的好處是非常平滑，但是也帶來負作用，就是聲音過于平滑，讓人聽出來覺得不夠具有表現力。深度學習的興起在合成領域也得到了應用，最近兩三年推出的神經網絡TTS，是語音合成技術的突破。谷歌提出來Tacotron, WaveNet這些模型，把語音自然度提升新的水平。

微軟在2018年，2019年提出了Transformer TTS、Fast Speech等高自然度神經網絡TTS模型，并在2018年9月首度推出產品化接近人聲的端到端Neural TTS。