環(huán)顧現(xiàn)有的帶語音識(shí)別能力的系統(tǒng)，無論是蘋果的 Siri、亞馬遜的 Alexa 還是微軟的 Cortana，用戶在使用起來多少還是經(jīng)常想砸手機(jī)，因?yàn)樗鼈兘?jīng)常擅自“自動(dòng)糾正”用戶話，可見要簡(jiǎn)單地做個(gè)好的“聽寫員”實(shí)在是不容易。
然而，10月17日的時(shí)候，微軟發(fā)布了一份名為《達(dá)到與人類具備同等交流對(duì)話水平》(Achieving Human Parity in Conversational Speech)的論文。該論文宣稱，他們?cè)谡Z音識(shí)別上的技術(shù)已經(jīng)高于專業(yè)的人工速記員了。
為了能夠進(jìn)行比較，微軟的研究人員找來了一段它們具有正確腳本的音頻片段，并請(qǐng)來了一家第三方公司來進(jìn)行語音轉(zhuǎn)文本處理。這個(gè)第三方公司的操作方式分為兩部分：一名謄寫員邊聽音頻邊將內(nèi)容打出來，而另一名則一邊聽音頻一邊修正第一人提供的文本。隨后，根據(jù)和標(biāo)準(zhǔn)的正確文本對(duì)比，第三方公司的錯(cuò)誤率分別是 5.9% 和 11.3%。
而微軟的識(shí)別系統(tǒng)，在經(jīng)過 2000 小時(shí)對(duì)人類交談素材的學(xué)習(xí)后，針對(duì)同一份音頻材料進(jìn)行了語音識(shí)別，錯(cuò)誤率分別為 5.9% 和 11.1%，數(shù)量上來看，比人類對(duì)照組少了十來個(gè)錯(cuò)誤。
雖然這次測(cè)試的成績(jī)不錯(cuò)，但畢竟處理的音頻材料與真實(shí)生活場(chǎng)景的貼近性還是比較遙遠(yuǎn)。而微軟的研究人員也表明，下一步會(huì)將該系統(tǒng)放在帶有部分背景噪音的場(chǎng)景中，例如在派對(duì)或是在高速公路上行駛的汽車上。同時(shí)，人類對(duì)照組的可參考性也還需要考究。但無論如何，希望這次的針對(duì)語音識(shí)別的研究突破不會(huì)成為那種被報(bào)道一次之后就消失的信息。
a&s傳媒是全球知名展覽公司法蘭克福展覽集團(tuán)旗下的專業(yè)媒體平臺(tái)，自1994年品牌成立以來，一直專注于安全&自動(dòng)化產(chǎn)業(yè)前沿產(chǎn)品、技術(shù)及市場(chǎng)趨勢(shì)的專業(yè)媒體傳播和品牌服務(wù)。從安全管理到產(chǎn)業(yè)數(shù)字化，a&s傳媒擁有首屈一指的國(guó)際行業(yè)展覽會(huì)資源以及豐富的媒體經(jīng)驗(yàn)，提供媒體、活動(dòng)、展會(huì)等整合營(yíng)銷服務(wù)。
粵公網(wǎng)安備 44030402000264號(hào)
