在網(wǎng)易有道做語音算法工程師是一種怎樣的體驗(yàn)？

魚羊 2020-10-27 12:55:39 來源：量子位

魚羊 發(fā)自 凹非寺
量子位 報(bào)道 | 公眾號 QbitAI

一個成立不到兩年的團(tuán)隊(duì)，兩個初入職場的新人，殺入頂會挑戰(zhàn)賽能拿下怎樣的成績？

時限是，10天。

近日，全球語音頂會INTERSPEECH 2020「口音英語語音識別挑戰(zhàn)賽」結(jié)果公布，一支名叫「大耳朵圖圖喵喵喵」的團(tuán)隊(duì)摘下了兩大賽道的第二名和第三名。

參賽選手是這位：

△大耳朵圖圖本喵

啊不，其實(shí)來自他們當(dāng)中。

說起網(wǎng)易有道與AI語音技術(shù)相關(guān)的產(chǎn)品，大家或許都不陌生，比如丁磊多次安利、上市都帶著的有道詞典筆……

相比在市場上取得的認(rèn)可，許多人可能不會想到，有道AI語音背后的團(tuán)隊(duì)非常年輕：成立不到兩年，大部分都是應(yīng)屆生，來自知名語音實(shí)驗(yàn)室，或者海外高校深造項(xiàng)目。

「參賽其實(shí)是驗(yàn)證技術(shù)方案」

此次拿獎的時來和Harry Wu（均為花名），就是今年7月剛剛加入網(wǎng)易有道的應(yīng)屆生。

事實(shí)上，打這場比賽，對于他們而言更像是一次對工作成果的「突擊測驗(yàn)」：被通知要參賽時，距離提交測試結(jié)果的截至日期只剩下10天了。

時間緊迫，兩人臨時組隊(duì)，又是代表團(tuán)隊(duì)第一次出征算法賽事，但在心態(tài)上他們倒還真一點(diǎn)也不慌。

用有道之前積累的技術(shù)去參賽，10天也足夠了。

攻堅(jiān)克難了這么久，是時候拿出來檢驗(yàn)一下了。

INTERSPEECH 2020「口音英語語音識別挑戰(zhàn)賽」由中國計(jì)算機(jī)學(xué)會、西北工業(yè)大學(xué)、上海交通大學(xué)、新加坡南洋理工大學(xué)等多家重量級機(jī)構(gòu)聯(lián)合舉辦，共分為兩個賽道：

Track1是口音種類識別，參賽者需要使用官方提供的各種口音英語訓(xùn)練數(shù)據(jù)，訓(xùn)練語種分類模型。

Track2則是口音英語語音識別，參賽者需要使用規(guī)則限定的訓(xùn)練數(shù)據(jù)，訓(xùn)練語音識別模型。

簡單來說，一方面是要做英語口音的分類，另一方面是要做語音識別，把帶口音的英語語音轉(zhuǎn)成文字。

時來和Harry的工位就挨在一起，兩人當(dāng)即一合計(jì)，覺得在語音識別方面，基本可以原封不動地用上現(xiàn)成的技術(shù)——有道詞典、精品課、云筆記等一系列產(chǎn)品里都有ASR技術(shù)的身影，平時的研發(fā)工作中，早已經(jīng)考慮到了復(fù)雜口音的情況，識別準(zhǔn)確率和響應(yīng)速度都是經(jīng)過實(shí)戰(zhàn)檢驗(yàn)的。

而在口音分類這個比較新穎的任務(wù)上，他們正在研究中的多語種技術(shù)方案正好能夠派上用場：

原來會覺得相關(guān)的技術(shù)方案還處在實(shí)驗(yàn)室階段，要實(shí)際應(yīng)用起來還需要學(xué)術(shù)界進(jìn)一步驗(yàn)證。但既然比賽有這個機(jī)會，正好可以拿這個方法試驗(yàn)一下。

程序員打比賽，就是直接開干，效率拉滿——就在工位上隨時討論。而事后兩人回想起來，印象最深的不是時間有多緊、加了多少班，恰恰是設(shè)計(jì)算法、測試結(jié)果的這個過程：

一開始，在口音分類這個全新的任務(wù)上，兩人想到這會跟說話人的特征有比較強(qiáng)的相關(guān)性。而在引入這一信息之后，他們的方案還真在開發(fā)集上取得了令人驚喜的效果。

但在測試集開放之后，進(jìn)一步的驗(yàn)證結(jié)果卻差強(qiáng)人意。直到比賽結(jié)束，測試集公布，他們才發(fā)現(xiàn)測試集里說話人的數(shù)目，是訓(xùn)練集和開發(fā)集加起來的差不多10倍，即一個說話人非常復(fù)雜的場景。

雖說碰上了這樣那樣的小波折，但其實(shí)對于兩位語音算法工程師而言，這反而更加堅(jiān)定了他們攻關(guān)AI語音技術(shù)的決心：語音領(lǐng)域技術(shù)相對成熟，但遠(yuǎn)沒有到「做完了」的程度，現(xiàn)實(shí)的復(fù)雜場景、各種各樣的噪音、方言口音，都仍有值得鉆研之處。

至于最后的結(jié)果，其實(shí)可以說是「兩全其美」。

雖然準(zhǔn)備還是有些倉促，沒能拿下冠軍，但對初出茅廬的網(wǎng)易有道語音團(tuán)隊(duì)而言，面對強(qiáng)勁的業(yè)內(nèi)對手，首次「出擊」能拿到頂會挑戰(zhàn)賽的二等獎，還是證明了現(xiàn)有技術(shù)方案可行、新的設(shè)想值得進(jìn)一步推動。

另一方面，團(tuán)隊(duì)組長孫艷慶也坦承，參與比賽對整個語音團(tuán)隊(duì)來說，學(xué)習(xí)到了行業(yè)中新的想法和技術(shù)，打開了后續(xù)開發(fā)的新思路。

「秘訣」：技術(shù)以落地為導(dǎo)向

其實(shí)比起單純?nèi)ゴ虮荣?、發(fā)論文，如果和一線的開發(fā)者們多聊聊，就能明顯地感覺到，網(wǎng)易有道的這支語音團(tuán)隊(duì)是非常務(wù)實(shí)的——以技術(shù)落地為導(dǎo)向，以用戶反饋為指標(biāo)。

孫艷慶談到，在內(nèi)部，技術(shù)方案的推動一般有兩種途徑。

一種是來自業(yè)務(wù)端的需求。技術(shù)團(tuán)隊(duì)要做的，是去評估現(xiàn)有的技術(shù)是否能夠解決問題，并真正落地到產(chǎn)品中，給用戶帶來優(yōu)質(zhì)的體驗(yàn)。

另一種則來自于工程師們對新技術(shù)、新用戶需求的敏感度。如果判斷一種新技術(shù)會被大規(guī)模地應(yīng)用，技術(shù)團(tuán)隊(duì)也會提前進(jìn)行相應(yīng)的布局。

而評價成果的指標(biāo)則更為直接：用戶體驗(yàn)。

這種腳踏實(shí)地的作風(fēng)，也給時來、Harry這樣的職場新人留下了深刻的印象。

我們大部分的技術(shù)，最終都會聚焦到非常具體的產(chǎn)品上面。不會去做在將來一段時間看來，意義不是很大的一些事情。

技術(shù)如果只是停留在學(xué)術(shù)層面上，就沒辦法真正流行、發(fā)展起來。落地對于技術(shù)而言是一個非常非常核心的點(diǎn)。

解決用戶切實(shí)的問題，解決產(chǎn)品中的痛點(diǎn)，或許正是在這樣的導(dǎo)向之下，雖然團(tuán)隊(duì)僅成立了不到兩年的時間，但在產(chǎn)品層面，網(wǎng)易有道在語音方面的許多技術(shù)點(diǎn)已經(jīng)躋身行業(yè)前列。

比如語音識別（ASR）。以網(wǎng)易有道詞典為例，對話翻譯、發(fā)音指導(dǎo)，各種功能的實(shí)現(xiàn)都離不開精準(zhǔn)的語音識別。而經(jīng)過測試，有道語音識別技術(shù)在一些場景上識別準(zhǔn)確率超過98%，并且，不止支持中文、英文，還支持日、韓、法、德等多種語言。

在語音合成（TTS）方面，有道語音合成引擎音色逼近真人，同樣支持中、英、日、韓、葡等多種語言。在過硬的技術(shù)基礎(chǔ)之上，今年9月，有道詞典還用TTS技術(shù)實(shí)現(xiàn)了王源明星語音的上線，效果受到了用戶的廣泛好評。

并且，為了更好地服務(wù)于產(chǎn)品，這支規(guī)模并不算大的團(tuán)隊(duì)，覆蓋的技術(shù)點(diǎn)卻很全面：從錄音、拾音環(huán)節(jié)開始，到中間的語義理解，再到語音識別合成，都有涉及?？梢哉f，在技術(shù)上已經(jīng)形成了比較完整的鏈條。

把「腳踏實(shí)地」寫進(jìn)價值觀的團(tuán)隊(duì)

事實(shí)上，能以一支小而精的團(tuán)隊(duì)支撐起復(fù)雜業(yè)務(wù)背后的核心算法，團(tuán)隊(duì)內(nèi)部的氛圍是技術(shù)實(shí)力之外的另一個重要影響因素。

如果你問有道語音團(tuán)隊(duì)的工程師們這支團(tuán)隊(duì)的特點(diǎn)是什么，就能獲得這樣幾個關(guān)鍵詞：年輕、活潑、腳踏實(shí)地。

因?yàn)槟贻p、活潑，即使是新人融入起來也完全沒有壓力，不管是技術(shù)的交流還是平時的相處，都可以暢所欲言。

另一方面，雖然團(tuán)隊(duì)成員們普遍年紀(jì)不大，卻個個「身懷絕技」。作為組長，孫艷慶認(rèn)為，一個腳踏實(shí)地的團(tuán)隊(duì)，應(yīng)該給每個人充分的才華施展空間，而在這個空間之下，大家潛心鉆研技術(shù)，在專注于自己側(cè)重點(diǎn)的情況下，去突破個人的局限。

腳踏實(shí)地的價值觀延續(xù)在整個有道AI團(tuán)隊(duì)。不僅是在語音方面，有道的AI能力還覆蓋神經(jīng)網(wǎng)絡(luò)翻譯（NMT）、圖像識別（OCR）和自適應(yīng)教育等等。

并且，其發(fā)力深耕的這些AI技術(shù)，都切切實(shí)實(shí)落在了產(chǎn)品上，讓C端用戶有了最直觀的體驗(yàn)：

NMT翻譯準(zhǔn)確率行業(yè)領(lǐng)先，支持12種語言的中文互譯，9種語言的英文互譯。

OCR可以幫助實(shí)現(xiàn)線下學(xué)習(xí)資料在線化。對中文文本的識別準(zhǔn)確度達(dá)到97.5％，對英語文字的識別準(zhǔn)確度為95.3％，對中英文混合文本的識別準(zhǔn)確度為96.2％，已經(jīng)支持102種主流語言文字識別。

AI行業(yè)已經(jīng)過了“風(fēng)口飛豬”的時代，愈加務(wù)實(shí)的市場更加看重技術(shù)的落地。當(dāng)泡沫散去，唯有腳踏實(shí)地的團(tuán)隊(duì)才能在一代代產(chǎn)品的穩(wěn)定推出中，扎實(shí)生根。

也正是因?yàn)檫@樣的氛圍，在畢業(yè)之際，時來、Harry等人毫不猶豫地拒絕了其他offer，選擇加入網(wǎng)易有道。

嗯，一定不是因?yàn)檫@里經(jīng)常聚眾吸貓。

— 完 —