五四青年節當日，國際多通道語(yǔ)音分離和識別大賽（CHiME）組委會(huì )在線(xiàn)揭曉最新一屆CHiME-6成績(jì)：
科大訊飛聯(lián)合中科大語(yǔ)音及語(yǔ)言信息處理國家工程實(shí)驗室（USTC-NELSLIP）在給定說(shuō)話(huà)人邊界的多通道語(yǔ)音識別兩個(gè)參賽任務(wù)上奪冠。
破自己的紀錄！
自2016年以來(lái)，科大訊飛第三次參加這項國際競賽并連續奪冠，這次的語(yǔ)音識別錯誤率從CHiME-5的46.1%降至30.5%。
- 喜報丨科大訊飛包攬CHiME-5全部冠軍
- 喜報｜科大訊飛包攬CHiME-4三項冠軍
CHiME-6被稱(chēng)為“史上最難的語(yǔ)音識別任務(wù)”。
和CHiME-5相同，CHiME-6比賽使用的語(yǔ)音素材包括多個(gè)生活場(chǎng)景——多人在廚房邊做飯邊聊天、在起居室邊用餐邊聊天、在客廳聊天，帶來(lái)以下四大難點(diǎn)：
- 大量的語(yǔ)音交疊（Speech Overlap）
- 遠場(chǎng)混響和噪聲干擾對錄音的影響
- 對話(huà)風(fēng)格非常自由、近乎隨意
- 訓練數據有限
CHiME-6音頻樣本采集于廚房、起居室、客廳等場(chǎng)景的多人對話(huà)
本次比賽的Track1任務(wù)與CHiME-5相同，即在給定說(shuō)話(huà)人邊界的情況下重點(diǎn)考察參賽團隊的多通道信號處理能力及復雜場(chǎng)景語(yǔ)音識別能力。新設立的Track2任務(wù)要求參賽機構在自動(dòng)說(shuō)話(huà)人分離的基礎上再進(jìn)行語(yǔ)音識別。
2018年的CHiME-5比賽，最優(yōu)的參賽系統語(yǔ)音識別錯誤率仍高達46.1%，距離實(shí)用仍有較大差距。今年科大訊飛聯(lián)合團隊重點(diǎn)聚焦于Track1，希望進(jìn)一步探索復雜場(chǎng)景語(yǔ)音識別實(shí)用化的可能性。
通過(guò)團隊的技術(shù)攻關(guān)，將該任務(wù)上的語(yǔ)音識別錯誤率從原來(lái)的46.1%降至30.5%，大幅刷新該項賽事歷史最好成績(jì)，最終在Track1的兩個(gè)子任務(wù)（Track1-RankingA，需使用官方語(yǔ)言模型；Track1-RankingB，不限制語(yǔ)言模型）上均斬獲冠軍。
科大訊飛奪得CHiME-6冠軍（Track1:Ranking A）
科大訊飛奪得CHiME-6冠軍（Track1:Ranking B）
同樣的考題，躍升的成績(jì)，靠什么？
在遠場(chǎng)、混響、噪音、聲音疊加、語(yǔ)言風(fēng)格隨意等諸多不確定性的復雜場(chǎng)景下，得益于多年來(lái)在真實(shí)場(chǎng)景中的技術(shù)積累，科大訊飛聯(lián)合團隊針對比賽任務(wù)進(jìn)行了一系列技術(shù)創(chuàng )新：
在前端信號處理方面，聯(lián)合團隊提出了基于空間-說(shuō)話(huà)人同步感知的迭代掩碼估計算法(Spatial-and-Speaker-Aware Iterative Mask Estimation，SSA-IME)，該算法結合傳統信號處理和深度學(xué)習的優(yōu)點(diǎn)，利用空時(shí)多維信息進(jìn)行建模，迭代地從多個(gè)說(shuō)話(huà)人場(chǎng)景中精確捕捉目標說(shuō)話(huà)人的信息。該算法不僅有效降低環(huán)境干擾噪聲，而且可以有效消除干擾說(shuō)話(huà)人的語(yǔ)音，從而大幅降低語(yǔ)音識別的處理難度。
在后端聲學(xué)模型上，聯(lián)合團隊提出了基于空間-說(shuō)話(huà)人同步感知的聲學(xué)模型(Spatial-and-Speaker-Aware Acoustic Model，SSA-AM)，通過(guò)在聲學(xué)模型輸入端拼接多維度空間信息和不同說(shuō)話(huà)人信息，使其能自適應區分目標說(shuō)話(huà)人和干擾說(shuō)話(huà)人。因此，聲學(xué)模型不僅依賴(lài)前端算法的處理結果，也能夠自適應完成對目標說(shuō)話(huà)人語(yǔ)音特征的提取，大幅提升多人對話(huà)場(chǎng)景下語(yǔ)音識別聲學(xué)模型的容錯率和魯棒性。
語(yǔ)音識別應用場(chǎng)景更有A.I.
科大訊飛致力于智能語(yǔ)音技術(shù)的源頭創(chuàng )新及行業(yè)應用，并不斷挑戰語(yǔ)音識別實(shí)際應用中的技術(shù)難題。
2010年發(fā)布語(yǔ)音云，持續改善語(yǔ)音輸入、語(yǔ)音交互場(chǎng)景的準確率。
2015年發(fā)布訊飛聽(tīng)見(jiàn)，逐步提升人人對話(huà)場(chǎng)景的準確率。
本次CHiME-6的研究成果無(wú)疑將進(jìn)一步拓展語(yǔ)音識別的應用空間：
促進(jìn)會(huì )議場(chǎng)景語(yǔ)音識別的實(shí)用化。相比于CHiME-6的比賽環(huán)境，在實(shí)際生活中的遠距離生活場(chǎng)景中，說(shuō)話(huà)風(fēng)格隨意性減少、語(yǔ)音疊加現象減少、訓練數據大幅增加，錯誤率也會(huì )大幅下降。本次比賽的技術(shù)成果可應用于訊飛聽(tīng)見(jiàn)智能會(huì )議系統升級，進(jìn)一步促進(jìn)會(huì )議場(chǎng)景語(yǔ)音識別的實(shí)用化。
廣泛應用于不同的消費產(chǎn)品和服務(wù)中。搭載八麥克風(fēng)陣列的訊飛智能錄音筆、能完整記錄會(huì )議內容的訊飛智能辦公本、能免切換識別中英文及23種方言的訊飛輸入法，為廣大用戶(hù)解決不同場(chǎng)景下的語(yǔ)音識別需求。
為全球提供多語(yǔ)種智能語(yǔ)音解決方案。得益于英文識別領(lǐng)域的深厚功力，科大訊飛正在大力拓展多語(yǔ)種語(yǔ)音識別方面的技術(shù)研究，有望為全球更多企業(yè)及消費者提供優(yōu)質(zhì)的多語(yǔ)種智能語(yǔ)音解決方案。
讓機器能聽(tīng)會(huì )說(shuō)，能理解會(huì )思考，用人工智能建設美好世界——這是我們的使命。
此次CHiME-6再奪冠，在“讓機器能聽(tīng)”上，我們又邁進(jìn)了一大步。
