2023年1月9日，由國家工業(yè)信息安全發(fā)展研究中心舉辦的以“智融應(yīng)用 質(zhì)惠未來”為主題的人工智能高質(zhì)量融合與安全應(yīng)用研討會在京舉行。
會上針對技術(shù)評測以及標(biāo)準(zhǔn)化工作帶來的成果，研究中心公布了一眾通過AI國檢中心檢驗(yàn)檢測的優(yōu)秀行業(yè)企業(yè)，其中火山引擎語音識別產(chǎn)品榜上有名，獲得國家語音及圖像識別產(chǎn)品質(zhì)量檢驗(yàn)檢測中心（以下簡稱“AI國檢中心”）頒發(fā)的語音識別增強(qiáng)級檢驗(yàn)檢測證書，在語音識別的基本要求以及擴(kuò)展要求上均已達(dá)AI國檢中心的最高等級標(biāo)準(zhǔn)。
本次技術(shù)評測涵蓋中文普通話、方言混合、語種混合識別在低噪和高噪喚醒下的識別效果和準(zhǔn)確率等多個角度，經(jīng)專業(yè)評測后最高語音識別字正確率可達(dá)99.54%，集中體現(xiàn)了在火山語音支持下的語音識別技術(shù)能力和產(chǎn)品方案成熟度獲得了業(yè)界認(rèn)可。
作為我國質(zhì)檢系統(tǒng)在人工智能領(lǐng)域的首家、也是唯一的國家級語音及圖像產(chǎn)品質(zhì)量檢驗(yàn)檢測機(jī)構(gòu)，AI國檢中心始終致力于推動智能語音產(chǎn)業(yè)的健康發(fā)展。本次獲得AI國檢中心的權(quán)威檢測，也充分表明了火山語音的語音識別技術(shù)能力已達(dá)行業(yè)領(lǐng)先水平。
長期以來，火山語音（字節(jié)跳動 AI Lab Speech & Audio 智能語音與音頻團(tuán)隊(duì)）將打磨多年的AI語音技術(shù)能力以及全棧語音產(chǎn)品解決方案面向市場并通過火山引擎開放給外部企業(yè)，目前已經(jīng)覆蓋多種語言和方言，涵蓋音視頻、有聲閱讀、語音交互、游戲、廣告等眾多行業(yè)應(yīng)用場景，為抖音、剪映、飛書、番茄小說、Pico等核心業(yè)務(wù)提供了領(lǐng)先的AI語音能力應(yīng)用與拓展。
本次參評的火山引擎語音識別產(chǎn)品為火山語音團(tuán)隊(duì)自主研發(fā)的端到端流式語音識別系統(tǒng)，主要涵蓋語音識別、斷點(diǎn)檢測、逆文本標(biāo)準(zhǔn)化、智能分句以及標(biāo)點(diǎn)、口語順滑等模塊，對口音、復(fù)雜的聲學(xué)場景都體現(xiàn)了更強(qiáng)的魯棒性，對不同領(lǐng)域詞匯的識別率以及推理速度、識別結(jié)果展示速度等均比其他競品有大幅提升。
混合模型和端到端模型的對比示意圖
眾所周知語音識別主要負(fù)責(zé)將音頻轉(zhuǎn)換成文字，為了兼顧效率和成本，火山語音團(tuán)隊(duì)率先基于RNN-T框架，通過大量訓(xùn)練數(shù)據(jù)的積累和持續(xù)的算法優(yōu)化，自研推出的端到端的流式語音識別系統(tǒng)，有效規(guī)避傳統(tǒng)語音識別系統(tǒng)中涉及的大量人工假設(shè)，采用了業(yè)界領(lǐng)先的Conformer結(jié)構(gòu)，做到同時對局部信息以及全局信息進(jìn)行建模，識別效果較傳統(tǒng)的CNN、LSTM和DFSMN等結(jié)構(gòu)都有大幅提升。
此外團(tuán)隊(duì)又從模型角度優(yōu)化了Conformer的訓(xùn)練和推理耗時，主要通過下采樣和Attention Mask等方式，憑借自研的模型壓縮框架，自動對模型進(jìn)行裁剪和量化，在降低計(jì)算復(fù)雜度的同時做到效果基本無損；并提出將上下文信息引入語音識別系統(tǒng)中來提升系統(tǒng)的識別效果，更充分的將對話歷史信息融入到 RNN-T 模型中，目前該論文已成功入選全球最大的綜合性語音信號處理盛會Interspeech2022。
（a）基礎(chǔ) RNN-T 結(jié)構(gòu) （b）引入對話歷史到 predictor 的結(jié)構(gòu) （c）引入對話歷史到 encoder 的
如今在火山語音ASR技術(shù)支持下，火山引擎語音識別產(chǎn)品已廣泛應(yīng)用于金融、傳媒、互娛、游戲等多類應(yīng)用場景中，例如在短視頻成為全民時尚的今天，為了改變視頻內(nèi)容生產(chǎn)過程中傳統(tǒng)添加字幕方式帶來的反復(fù)聽寫校對以及逐幀對齊的費(fèi)時費(fèi)力，與過程中需要精通多語言并熟悉字幕文件的制作的高門檻要求，火山語音自研推出了智能字幕解決方案。
該方案不僅能夠高效識別方言與歌曲，還可以針對語種混合以及說話唱歌混合的場景有不錯的識別效果；實(shí)踐過程中團(tuán)隊(duì)通過對用戶創(chuàng)作內(nèi)容的音頻特性以及領(lǐng)域分析，憑借算法優(yōu)化大大提升語音識別對于噪聲場景、多人說話等復(fù)雜場景的表現(xiàn)。尤其面對移動端用戶針對功能響應(yīng)時間的較高要求，即希望字幕可以既快且準(zhǔn)，還做了大量的工程優(yōu)化和策略，1分鐘的視頻只需2-3秒即可完成。
智能字幕解決方案的展現(xiàn)
除此之外為應(yīng)對人們對于音頻信息的獲取效率遠(yuǎn)低于文本信息的獲取效率的情況，火山語音又強(qiáng)力推出了“千言轉(zhuǎn)文字，一字勝千言”的實(shí)時字幕解決方案，通過“語音識別+語音翻譯”的AI鏈路讓跨國家、跨語言交流變得更加流暢；憑借自動生成會議記錄與紀(jì)要，做到大大提升與會者的工作效率，大幅減少會后整理和會中記錄的工作量。
值得提及的是，在2022年卡塔爾世界杯期間，火山語音的ASR技術(shù)能力還同步支持了上線抖音的“無障礙字幕直播間”，截至12月19日決賽，已有累計(jì)超過1905萬人在該直播間觀看了球賽，累計(jì)觀看次數(shù)超過2624萬次。
賽事期間，火山語音團(tuán)隊(duì)通過自研推出的端到端的流式語音識別系統(tǒng)，著力解決了世界杯比賽場景中外國球員教練員的人名識別等難題，通過對足球相關(guān)領(lǐng)域?qū)Ｓ忻~、球隊(duì)和球員名稱等術(shù)語進(jìn)行自動化語料挖掘，憑借語言模型干預(yù)和自動化熱詞干預(yù)完成專項(xiàng)優(yōu)化，從而發(fā)揮更好的識別效果；還憑借對解說場景的分析以及對現(xiàn)場原聲的分析進(jìn)行模型調(diào)優(yōu)，做到在“解說+現(xiàn)場原聲+bgm”的復(fù)雜場景下也能準(zhǔn)確識別，為觀眾呈現(xiàn)更佳的字幕效果，帶來更好的觀賽體驗(yàn)。
無障礙字幕直播間展示
伴隨不斷的創(chuàng)新發(fā)展，火山引擎語音識別產(chǎn)品已廣泛應(yīng)用于視頻娛樂、辦公會議、硬件交互、智能客服等諸多行業(yè)，為用戶提供了優(yōu)質(zhì)且有前景的語音識別解決方案?？梢韵胍?，未來在火山語音不斷探索前沿科技與業(yè)務(wù)場景的高效結(jié)合的基礎(chǔ)上，持續(xù)為用戶體驗(yàn)和業(yè)務(wù)增長注入創(chuàng)新勢能以實(shí)現(xiàn)更大價值乃是大勢所趨。
（免責(zé)聲明：本網(wǎng)站內(nèi)容主要來自原創(chuàng)、合作伙伴供稿和第三方自媒體作者投稿，凡在本網(wǎng)站出現(xiàn)的信息，均僅供參考。本網(wǎng)站將盡力確保所提供信息的準(zhǔn)確性及可靠性，但不保證有關(guān)資料的準(zhǔn)確性及可靠性，讀者在使用前請進(jìn)一步核實(shí)，并對任何自主決定的行為負(fù)責(zé)。本網(wǎng)站對有關(guān)資料所引致的錯誤、不確或遺漏，概不負(fù)任何法律責(zé)任。
任何單位或個人認(rèn)為本網(wǎng)站中的網(wǎng)頁或鏈接內(nèi)容可能涉嫌侵犯其知識產(chǎn)權(quán)或存在不實(shí)內(nèi)容時，應(yīng)及時向本網(wǎng)站提出書面權(quán)利通知或不實(shí)情況說明，并提供身份證明、權(quán)屬證明及詳細(xì)侵權(quán)或不實(shí)情況證明。本網(wǎng)站在收到上述法律文件后，將會依法盡快聯(lián)系相關(guān)文章源頭核實(shí)，溝通刪除相關(guān)內(nèi)容或斷開相關(guān)鏈接。 ）
