ISCSLP2016 思必驰俞凯解析深度学习领域的智能语音技术

 　　ISCSLP中文口语语言处理会议由国际著名学术协会ISCA的中文学术小组SIG-CSLP主办，为全球针对中文语言处理技术所举办的大型国际研讨会，并由新加坡、中国大陆、台湾及香港等四个国家和地区轮流举办，该会议已经发展成为中文语言处理技术相关领域最重要的国际研讨会。

　　图1 ISCSLP2016大会现场

　　2016年10月17日至20日，第十届中文口语语言处理国际会议ISCSLP2016 在天津召开，会议聚集了来自全球各地学界和产业界的人士，并向全球征集业界前沿学术论文稿件，展示前沿科技成果，结合当前产业发展态势，共同探讨语言处理的未来发展趋势。

　　图2 思必驰首席科学家俞凯现场

　　10月18日下午，思必驰首席科学家/联合创始人、上海交通大学俞凯教授，在大会新技术产业论坛上，进行了题为《基础技术创新推动产业进步》的主题分享。俞凯教授表示，智能语音在经历着从感知智能到认知智能的飞跃，解决如何使智能语音进行理解、决策及表述的问题非常重要。俞凯教授强调技术型公司原始创新的重要性，着重介绍了思必驰基于深度学习的语音识别技术，如，VDCNN算法在降噪处理上表现出不可取代的优势;帧同步解码转换为音素同步解码搜索空间减少80%以上等技术成果。依托稳健的研究实力，思必驰用实际行动践行着作为技术型公司应有的创新、原创精神。

　　思必驰专注为智能硬件提供自然语言交互方案，为智能车载、智能家居、智能机器人三个垂直领域定制基于交互场景的语音方案。根据不同应用场景，思必驰依托强大的研发实力满足用户在不同场景下的个性化需求。虽然目前国内智能语音领域，通用的开源工具应用较多，难度较低，但通用的开源工具在效率和权限上有极大局限性，既无法满足特定的前沿算法需求，也常常无法满足用户基于场景的个性化需求，不同专业领域的算法、数据、架构等都要依托实际应用进行搭建及优化。因此，思必驰专注技术研发，用技术实力说话，通过定制方案满足用户个性化需求。

　　如何确保技术的专业性与前沿性呢?思必驰成立之初即与上海交大成立联合实验室“Speech Lab”，由思必驰联合创始人，上海交通大学教授俞凯全权负责，专注智能语音技术的研发与应用，思必驰拥有独立知识产权，并积极促进前端科研成果的商业化转化与应用。正如俞凯教授在演讲中所提，近期，思必驰上海交大联合实验室的科研工作又取得了极大突破。

　　1. 抗噪处理：VDCNN算法模型结构

　　噪声环境下的语音识别一直以来是一个难题。目前基于深度学习的主流语音识别技术及引擎，已经可以在很多信噪比相对比较好的环境下取得良好的准确率，但是在面对真实环境下的多类别强噪声情况环境(比如车载噪声、家居远场回声等)，性能变会急剧下降，远远不能满足实际应用的需求。

　　思必驰和上海交大联合实验室，对基于噪声条件下的语音识别问题进行了深入的研究，历时一年多以来，提出了VDCNN算法模型结构。相比于传统语音模型仅使用1至2层卷积层，思必驰通过堆叠较小的卷积层和池化层，将语音模型中的卷积层的深度提高到了10层以上。利用小卷积核更加精细的局部刻画能力和频率不变性描述，能够更好地在语音模型的内部实现了声学自动降噪的能力。

　　思必驰上海交大联合实验室目前所提出的模型和架构，在噪声环境语音识别的业界基准库Aurora4上，取得了7.09%的词错误率。相比于世界其他机构目前10%左右的最好结果，有一个大幅度的明显优势，在抗噪语音识别上是一个新的里程碑。此外，除了多类别的加性噪声，此模型也被验证在远场识别环境下也具有明显的优势。近5年，在Aurora4噪声数据库上，公开可查的世界上著名研究机构最好语音识别系统对比如下图所示：

　　图3 Aurura WER{%)

　　思必驰上海交大联合实验室VDCNN算法模型结构，不但在噪声环境下具有非常好的准确率，还具有训练收敛速度快，模型参数规模小等优势，这些特点都为VDCNN的真实使用提供了便利。

　　2. 新型解码框架：Phone Synchronous Decoding

　　大词汇连续语音识别由于词汇量庞大且没有固定语法，会造成搜索空间非常庞大。目前，通过很多传统做法可以加快语音识别速度，如，离线基于WFST的搜索空间预优化，在线逐帧同步维特比解码，结合可变帧率分析等方法。但是，离线优化效果有限，逐帧搜索计算量大，而大量剪枝算法会引入搜索误差。因此目前主流的大词汇连续语音识别系统只能工作在云端。

　　近来，连接时序模型(CTC)取代传统隐马尔科夫模型(HMM)，被应用到语音识别中，其特点显著，能够针对识别序列进行整体建模，带来更好的前后文建模能力，使语音识别的建模单元显著减少，并使庞大搜索空间相应减小。另一方面，模型本身建模了多帧对一个音素的映射关系，使得模型输出的声学信息集中。根据模型输出特点，适宜采用更长的搜索步长，由逐帧同步解码，转变为音素同步解码，从而减少了搜索计算量。

　　思必驰结合以上两点改进，使语音识别系统的速度累积提高20-30倍，内存下降50%以上，从而使得大词汇连续语音识别可以应用于离线手持设备;而基于该系统提出的置信度算法，得益于集中的声学信息和相应设计的优化算法，取得近一倍的提升。显著改善了语音识别系统的用户体验。

　　近年来，思必驰凭借原始技术创新，在智能车载、智能家居、智能机器人等领域的语音市场展开了布局，与阿里、小米、联想、海尔、美的、庆科、浙江大华等企业建立了战略合作关系，为广大用户带来流畅的语音交互体验。基础技术创新必定会推动产业化进步，思必驰重视技术及人才价值，打造更人性化的语音交互。