高通也開(kāi)發(fā)了一款可以識別單詞和短語(yǔ)的語(yǔ)音識別系統，其準確率高達95%。此外，微軟的智能語(yǔ)音客服比人工呼叫服務(wù)更加準確高效。
然而，盡管機器學(xué)習使語(yǔ)音識別技術(shù)的發(fā)展突飛猛進(jìn)，如今這些語(yǔ)音識別系統還是不夠完美，最嚴重的問(wèn)題就是有地域歧視性。
華盛頓郵報最近進(jìn)行的一項研究結果顯示，谷歌和亞馬遜研發(fā)的流行智能語(yǔ)音助手識別非美國本地口音的準確率要比美國本地口音低30%。
像IBM和微軟這樣的公司都會(huì )通過(guò)Switchboard語(yǔ)料庫來(lái)降低語(yǔ)音助手的出錯率。但是事實(shí)證明，語(yǔ)料庫也無(wú)法徹底解決語(yǔ)音助手的口音識別問(wèn)題。
“數據是混亂的，因為數據反映了人性，”埃森哲的全球責任AI監理Rumman Chowdhury說(shuō)，“這就是算法最擅長(cháng)之處：尋求人類(lèi)行為模式。”
算法偏差表示機器學(xué)習模型對數據或者設計產(chǎn)生偏見(jiàn)的程度。很多新聞報道都對面部識別系統（尤其是亞馬遜網(wǎng)絡(luò )服務(wù)的圖像識別Rekognition）產(chǎn)生了不小的偏見(jiàn)。
而且，算法偏差還會(huì )出現在其他方面，比如預測被告是否會(huì )在未來(lái)犯罪的自動(dòng)化系統以及谷歌新聞等app背后的內容推薦算法。
微軟以及包括IBM、高通和Facebook在內的AI行業(yè)領(lǐng)導者已經(jīng)開(kāi)發(fā)出自動(dòng)化工具，用于檢測并減少AI算法中產(chǎn)生的偏差，但很少有人能夠提出口音識別問(wèn)題的具體解決方案。
真正提出解決方案的只有兩家公司。一個(gè)是Speechmatics，另一個(gè)便是Nuance。
解決口音差距問(wèn)題
Speechmetrics是一家專(zhuān)門(mén)研究企業(yè)語(yǔ)音識別軟件的劍橋科技公司，它于12年前就開(kāi)始實(shí)施了一項雄心勃勃的計劃，旨在開(kāi)發(fā)比市場(chǎng)上任何產(chǎn)品更準確全面的語(yǔ)言識別系統。
該公司最初是研究統計語(yǔ)言建模和循環(huán)神經(jīng)網(wǎng)絡(luò )。它開(kāi)發(fā)了一種可以處理內存輸出序列的機器學(xué)習模型。2014年，它利用一個(gè)十億字節的語(yǔ)料庫加速其統計語(yǔ)言建模的發(fā)展，從此邁出了第一步。
到了2017年，它又邁向了另一個(gè)里程碑：與卡塔爾計算研究所（QCRI）合作開(kāi)發(fā)了阿拉伯語(yǔ)言文字轉換服務(wù)。
“我們已經(jīng)發(fā)現我們需要開(kāi)發(fā)一款語(yǔ)音識別系統，只需一種模式便能適用于所有語(yǔ)言，不再有口音問(wèn)題，并且它識別澳大利亞口音的準確度和轉錄蘇格蘭口音一樣高。”Speechmatics首席執行官BenediktvonThüngen說(shuō)。
他們在今年七月成功研發(fā)了一款這樣的語(yǔ)音識別系統Global English。它擁有40多個(gè)國家的數千小時(shí)的語(yǔ)音數據和數百億單詞，支持所有英語(yǔ)口音的語(yǔ)音文本轉換功能。
此外，Global English的建立還離不開(kāi)Speechmatic的Automatic Linguist，這是一種人工智能框架，通過(guò)利用已知語(yǔ)言中識別的模式來(lái)學(xué)習新語(yǔ)言的語(yǔ)言基礎。
“假設你一邊要和美國人交談，另一邊還要和澳大利亞人交流，而且這個(gè)美國人曾經(jīng)住在加拿大，所以有加拿大口音，這時(shí)大多數的語(yǔ)音識別系統都會(huì )很難識別這種帶有不同口音的語(yǔ)言，但是我們的語(yǔ)音識別系統就完全不用擔心這個(gè)問(wèn)題。”Speechmatics公司產(chǎn)品副總裁IanFirth在一次采訪(fǎng)中說(shuō)。
在測試中，Global English在識別特定的口音方面表現的比谷歌的Cloud Speech API和IBM的Cloud還要出色。Thüngen表示，在高端領(lǐng)域中，它的準確率比其他產(chǎn)品還要高23%到55%。
Speechmatics并不是唯一一家想要解決口音識別問(wèn)題的公司。
總部位于馬薩諸塞州柏林頓的Nuance表示，它將采用多種方法，確保其語(yǔ)音識別系統能夠識別將近80種語(yǔ)言，并且準確率都一樣高。
在其英國語(yǔ)言模型中，它收集了20個(gè)特定方言區域的語(yǔ)音和文本數據，包括每種方言獨有的單詞（比如使用單詞“cob”特指面包卷）及其發(fā)音。因此，這款Nuance的語(yǔ)音識別系統便能識別出“Heathrow”的52種不同表達方式。
如今，Nuance語(yǔ)音識別系統又有了新的發(fā)展。更新版本的Dragon是Nuance研發(fā)的定制語(yǔ)音文本轉換軟件組合，其機器學(xué)習模型可根據用戶(hù)的口音在幾種不同的方言中自動(dòng)切換。
與沒(méi)有方言自動(dòng)切換功能的舊版本相比，新版本的語(yǔ)音識別系統識別帶有西班牙口音的英語(yǔ)的準確率要高22.5%，識別美國南部方言的準確率要高16.5%，識別東南亞英語(yǔ)的準確率要高17.4%。
數據越多越好
歸根結底，語(yǔ)音識別的口音問(wèn)題是由于數據不足產(chǎn)生的。語(yǔ)料庫的質(zhì)量越高，語(yǔ)言模型越多種多樣，那么至少從理論上來(lái)說(shuō)語(yǔ)音識別系統的準確率越高。
在華盛頓郵報的研究中，GoogleHome智能語(yǔ)音助手識別美國南部語(yǔ)言的準確率要比識別美國西部語(yǔ)言的準確率低3%。而亞馬遜的Echo識別美國中西部語(yǔ)言的準確率要低2%。
亞馬遜的一位發(fā)言人告訴華盛頓郵報，隨著(zhù)更多的用戶(hù)用不同的口音說(shuō)話(huà)，Alexa的語(yǔ)音識別能力會(huì )不斷提高。并且，谷歌在一份聲明中表示，他們將通過(guò)擴大自己的數據庫，不斷改進(jìn)GoogleAssistant的語(yǔ)音識別技術(shù)。
隨著(zhù)使用語(yǔ)音識別系統的用戶(hù)越來(lái)越多，它們的功能會(huì )進(jìn)一步提升。根據市場(chǎng)研究公司Canalys數據顯示，到2019年之前，將近1億智能語(yǔ)音系統在全球銷(xiāo)售。并且，在2022年之前，大約55%的美國家庭都會(huì )擁有一個(gè)智能語(yǔ)音系統。
不要指望有徹底解決口音問(wèn)題的方案。“按現在的技術(shù)發(fā)展，你不可能研發(fā)出準確率最高并且適用于全世界用戶(hù)的語(yǔ)音識別系統，”Faith說(shuō)。“你能做的最好的事情便是保證這些語(yǔ)音識別系統能夠準確識別那些正在使用它們的用戶(hù)的口音。”
