不久前，百度的首席科學(xué)家吳恩達（Andrew Ng）在接受采訪(fǎng)時(shí)曾談到了百度最近人工智能項目的進(jìn)展情況，強調了近期百度重點(diǎn)是攻關(guān)語(yǔ)音識別?，F在他們已經(jīng)在這方面取得了突破。

 

這項成果的名字叫做Deep Speech，是一款采用深度學(xué)習技術(shù)的語(yǔ)音識別系統系統。其獨特之處在于，它可以在飯店等嘈雜環(huán)境下實(shí)現將近81%的辨識準確率。

 

81%的準確率聽(tīng)起來(lái)似乎不算高。但是同樣環(huán)境下，其他的商業(yè)版語(yǔ)音識別API，包括Bing、Google以及Wit.AI等的最高識別率也只有65%。相比之下這就算十分突出的表現了。而且按照吳恩達的說(shuō)法，這樣的結果依然低估了Deep Speech與其他語(yǔ)音識別系統的準確率差異，因為Deep Speech進(jìn)行比較時(shí)還把其他語(yǔ)音識別系統那些返回空白字符串的結果排除在外了。而且Deep Speech跟頂級的學(xué)術(shù)型語(yǔ)音識別模型（基于流行的數據集Hub5 00建模）相比也高出9個(gè)百分點(diǎn)。

 

百度首席科學(xué)家吳恩達稱(chēng)盡管這還只是一項研究，但是公司正在考慮將它集成到供智能手機和Baidu Eye之類(lèi)的可穿戴設備使用的語(yǔ)音識別軟件當中。而且百度還在開(kāi)發(fā)與Amazon Echo類(lèi)似、集成有語(yǔ)音助手的家電產(chǎn)品，名字叫做CoolBox。除此以外，百度在開(kāi)發(fā)的智能自行車(chē)當然也能利用Deep Speech技術(shù)。

 

Deep Speech的基礎是某種遞歸神經(jīng)網(wǎng)絡(luò )（RNN），這種遞歸神經(jīng)網(wǎng)絡(luò )經(jīng)常被用于語(yǔ)音識別和文本分析。

 

但是Deep Speech的成功主要得益于一個(gè)長(cháng)達10萬(wàn)小時(shí)的語(yǔ)音數據訓練集。這是百度人工智能實(shí)驗室團隊用新穎的辦法在嘈雜環(huán)境下建立的。其過(guò)程大致是這樣的。首先百度收集了7000小時(shí)的語(yǔ)音會(huì )話(huà)數據，然后再將這些語(yǔ)音文件與包含有背景噪音的文件合成到一起，最后形成約10萬(wàn)小時(shí)的訓練集。這些背景噪音包括了飯店、電視、自助餐廳以及汽車(chē)內、火車(chē)內等場(chǎng)景。相比之下，Hub5 00的數據集總共只有2300小時(shí)。

 

當然，這么龐大的數據大多數系統都不知道如何去處理。吳恩達表示，Deep Speech的成功很大程度上要取決于百度規模龐大的基于GPU的深度學(xué)習基礎設施。GPU（圖形處理器）往往是偏數學(xué)型計算的首選。許多深度學(xué)習系統都采用GPU避免通信瓶頸（不過(guò)微軟的深度學(xué)習系統Adam 卻走了不同的路線(xiàn)），但是像百度這樣大規模的設施卻是少見(jiàn)的。

 

 

百度的另一大改進(jìn)，是對這個(gè)龐大的數據集采用了端到端的深度學(xué)習模型，而不是標準的、計算代價(jià)高昂的聲學(xué)模型。傳統上一般都會(huì )把語(yǔ)音識別分別為多個(gè)步驟，其中一步叫做語(yǔ)音調適，但是百度卻不做這一步，而是給Deep Speech的算法提供大量的數據，然后讓它去學(xué)習所有需要學(xué)習的東西。這種做法除了收獲了準確率以外，還顯著(zhù)減少了代碼庫的規模。

 

這項研究是吳恩達領(lǐng)導的百度人工智能實(shí)驗室多位研究人員的努力成果，論文發(fā)表在了康奈爾大學(xué)圖書(shū)館的arXiv.org網(wǎng)站上，感興趣的可到此處下載。