百度宣布AI語音調(diào)用登頂中國第一，自研芯片+最新端到端模型顛覆傳統(tǒng)語音識別算法

曉查 2019-11-29 12:56:24 來源：量子位

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

2019年，NLP和語音技術(shù)取得了多項(xiàng)技術(shù)突破，但是科技公司考慮更多的是AI的“場景”，如何在各種場景中都能方便地集成語音功能。

10月，谷歌在Pixel手機(jī)發(fā)布會上宣布，將語音識別模型壓縮到50M集成在手機(jī)中，實(shí)現(xiàn)離線的語音轉(zhuǎn)寫。

而國內(nèi)的幾家語音技術(shù)公司想得更遠(yuǎn)，將語音技術(shù)的接口提供給更多的開發(fā)者和企業(yè)，讓AI的應(yīng)用場景更廣闊。百度就是其中一家。

“生物在物競天擇的環(huán)境中進(jìn)化，而AI在應(yīng)用場景中進(jìn)化。”在今天的百度大腦語音能力引擎論壇上，百度CTO王海峰如是說。

△ 百度CTO王海峰

王海峰也透露，百度大腦的語音能力日均調(diào)用量超100億次，居國內(nèi)第一。擁有國內(nèi)最大的AI開放平臺的百度大腦，目前已接入開發(fā)者超過150萬，開放228項(xiàng)技術(shù)能力。

就在同一天，權(quán)威調(diào)研機(jī)構(gòu)IDC發(fā)布的《2019中國AI云服務(wù)市場廠商評估》報(bào)告顯示，百度智能云憑借著在AI技術(shù)、市場和商業(yè)上的表現(xiàn)，在中國排名第一。這也從側(cè)面反映了百度AI在市場中的影響力。

除了語音技術(shù)外，百度在其他AI技術(shù)上也全面開花。9月，百度在CCKS 2019“知識圖譜問答”大賽中奪冠；11月，F(xiàn)orrester發(fā)布報(bào)告顯示，百度智能云的計(jì)算機(jī)視覺能力在8大維度獲得第一。

這主要是由于百度智能云入局AI最早，也是國內(nèi)唯一擁有完全自主深度學(xué)習(xí)框架的云服務(wù)商，搶占了AI落地的先機(jī)。

因此用上百度語音技術(shù)的開發(fā)者越來越多，這些數(shù)字的背后，有百度大腦語音技術(shù)團(tuán)隊(duì)的研發(fā)實(shí)力作為支持。

團(tuán)隊(duì)的領(lǐng)頭人，就是今年8月在朋友圈宣布回歸百度的技術(shù)大牛賈磊。他介紹了百度語音軟硬件技術(shù)獨(dú)一無二的“秘籍”。

△ 百度語音首席架構(gòu)師賈磊

新算法降低30%錯(cuò)誤率

據(jù)Canalys等第三方統(tǒng)計(jì)機(jī)構(gòu)的數(shù)據(jù)，小度音箱在國內(nèi)市場的占有率在今年登上了第一，賈磊認(rèn)為這是市場對百度大腦技術(shù)的肯定。

百度語音首席架構(gòu)師賈磊表示，百度大腦的語音技術(shù)在今年又取得了一項(xiàng)突破性進(jìn)展，可以將未來小度音箱的技能進(jìn)一步提升。

這項(xiàng)新技術(shù)全稱為“基于復(fù)數(shù)CNN的語音增強(qiáng)和聲學(xué)建模一體化端到端建模技術(shù)”。賈磊表示，這項(xiàng)技術(shù)顛覆了傳統(tǒng)的語音識別算法。

目前，市面上主流的智能音箱采用的語音識別算法，是先將音頻轉(zhuǎn)化為文字，再對文字進(jìn)行語義理解。

這就好比兩個(gè)人相互交流，先把語音寫成文字，然后通過閱讀文字來理解內(nèi)容。這種識別方式與人相差甚遠(yuǎn)，而且也存在著諸多問題。

首先，這種方式只有在喚醒識別后才能確定語音的方向，如果噪聲與聲音方向相同，則會導(dǎo)致識別率很低。而且無法應(yīng)對說話者邊走邊說的情形。

而百度大腦提出的基于復(fù)數(shù)CNN的端到端模型，可以直接將聲音轉(zhuǎn)換成語義，更接近于人的語音交互方式，對噪聲的抵抗力更強(qiáng)。

賈磊表示，這項(xiàng)技術(shù)讓遠(yuǎn)場語音識別的錯(cuò)誤率降低了30%以上，對語音識別性能的提升幅度屬業(yè)內(nèi)最大，是一項(xiàng)革命性、顛覆性的技術(shù)。

這種模型完全不依賴于數(shù)字信號處理等技術(shù)學(xué)科，用機(jī)器學(xué)習(xí)將最初的音節(jié)和最終語義直接打通，實(shí)現(xiàn)數(shù)字信號處理和語音識別一體化。

有了復(fù)數(shù)CNN的端到端模型，智能音箱難以解決的幾大使用場景問題都會得到解決。

比如，我們很難一邊走動一邊和智能音箱不間斷多輪對話；在大聲播放電視或音樂時(shí)，智能音箱也無法聽清我們。

這些常見場景過去一直是智能音箱難以使用的痛點(diǎn)，未來都有望被復(fù)數(shù)CNN的端到端模型所化解。

未來的讓模型結(jié)構(gòu)能成功落地，百度還研發(fā)了一種利用近場數(shù)據(jù)來模擬生成遠(yuǎn)場訓(xùn)練數(shù)據(jù)的方法。利用該方法，百度成功訓(xùn)練出可以達(dá)到落地水平的一體化聲學(xué)模型。

為語音造“芯”

只有語音的軟件算法還不夠，近年來國內(nèi)AI公司越來越多地涉獵芯片制造，一方面是出于自主可控的考慮，另一方面也是為了讓硬件與軟件之間更好地配合。

例如，在語音識別的場景中，如何快速加載模型，與輸入信號進(jìn)行快速運(yùn)算，成了最大的難點(diǎn)之一。傳統(tǒng)通用芯片難以解決。

為此，百度專門開發(fā)了一款遠(yuǎn)場語音AI芯片“鴻鵠”，在今年7月的百度AI開發(fā)者大會上發(fā)布。百度AI技術(shù)生態(tài)部總經(jīng)理喻友平今天發(fā)布了基于百度鴻鵠芯片的4款硬件模組、開發(fā)板和針對智能家居、智能車載、智能IoT設(shè)備的3大場景解決方案。

鴻鵠在功耗方面有著巨大的優(yōu)勢，ARM芯片在處理語音時(shí)待機(jī)功率超過1W，而鴻鵠的待機(jī)功耗僅是其他芯片的不到1/10，這讓智能家居集成語音喚醒成為可能。

百度鴻鵠芯片預(yù)置語音算法，可與多種不同的主芯片搭配使用。而且，百度大腦研發(fā)的復(fù)數(shù)CNN的網(wǎng)絡(luò)體系很小，可以內(nèi)置到百度鴻鵠芯片中。

通過軟硬件的結(jié)合，百度下一款智能音箱在技術(shù)上可能將會有更大的突破。

百度的目光也不僅僅在智能音箱領(lǐng)域。據(jù)賈磊介紹，百度鴻鵠芯片還是一款車規(guī)級芯片，可承受巨大的溫濕度變化，未來也能集成在汽車中，作為車載語音硬件使用。

賈磊表示，百度大腦要用最高規(guī)格做硬件、最廣規(guī)格做軟件，以適配不同的應(yīng)用場景。

他還預(yù)測，遠(yuǎn)場語音識別的諸多問題3年后將得以解決，屆時(shí)準(zhǔn)確率將達(dá)到近場識別的水平。這會讓遠(yuǎn)場識別技術(shù)更普及，成為智能家居、智能手機(jī)等設(shè)備的標(biāo)配。百度鴻鵠芯片也有著更廣闊的應(yīng)用前景。

開放語音技術(shù)

從7年前，百度就開始以深度學(xué)習(xí)技術(shù)為依托，研發(fā)智能語音技術(shù)。

如今這項(xiàng)技術(shù)已經(jīng)遍布百度內(nèi)部各種產(chǎn)品，從近場語音識別的輸入法、百度搜索，到遠(yuǎn)場語音識別的智能音箱、車載語音，再到語音合成的地圖導(dǎo)航、信息流播報(bào)。

如今，百度不僅將語音技術(shù)用在自家的產(chǎn)品上，也向其他開發(fā)者和企業(yè)用戶開放。

△ 百度AI技術(shù)生態(tài)部總經(jīng)理喻友平

喻友平表示，在這一輪科技變革浪潮中，AI是一個(gè)普遍的生產(chǎn)力基礎(chǔ)，百度大腦要做的，就是把自己的技術(shù)以更低的門檻釋放出來，給開發(fā)者使用。

喻友平將之稱為“全棧語音引擎”，這個(gè)引擎中的技術(shù)已經(jīng)廣泛用于語音播報(bào)、語音指令、語音記要、語音質(zhì)檢等領(lǐng)域。

多款第三方打車、支付App上已經(jīng)用上了百度的語音合成技術(shù)。而且百度為了豐富合成語音的應(yīng)用場景，推出了音質(zhì)更好、準(zhǔn)確率更高的音庫給開發(fā)者使用。

“百度大腦強(qiáng)大的技術(shù)，加上開放的態(tài)度，可以釋放巨大的能量?！庇饔哑秸f。

在本次論壇上，家電企業(yè)創(chuàng)維、科技信貸公司瓴岳、農(nóng)業(yè)科技公司華智等公司將百度的語音技術(shù)集成到自己的產(chǎn)品中，實(shí)現(xiàn)了生產(chǎn)力的提高。

最后喻友平宣布了百度大腦語音公益計(jì)劃，面向?yàn)橐曊?、聽障等人士提供服?wù)的科技公司，百度將免費(fèi)提供語音識別與合成技術(shù)，以最低價(jià)提供硬件模組。

百度大腦希望將語音技術(shù)的“朋友圈”不斷擴(kuò)大，把AI技術(shù)與醫(yī)療、農(nóng)業(yè)、金融、物聯(lián)網(wǎng)乃至公益事業(yè)聯(lián)系起來。

正如王海峰在大會開場所說，“AI技術(shù)的進(jìn)化和產(chǎn)業(yè)賦能正向循環(huán)，相互促進(jìn)，讓AI在應(yīng)用場景中不斷進(jìn)化。”