根據(jù)相關(guān)研究,今年美國(guó)將有超過6000萬人使用語音激活的虛擬助手,比如Siri或Alexa,至少每月一次.也許并不奇怪,這些類型的小玩意在千禧一代中最受歡迎--那些出生在1981年到2000年之間的人--在這個(gè)群體中,預(yù)計(jì)約有2990萬每月至少使用一次.
自從深度學(xué)習(xí)大熱,廣泛應(yīng)用于語音識(shí)別以來,字幕中的單詞錯(cuò)誤率急劇下降.盡管如此,語音識(shí)別并沒有達(dá)到人文水平,它仍會(huì)出現(xiàn)一些故障.承認(rèn)這些然后采取措施來解決這些問題對(duì)于語音識(shí)別的進(jìn)步至關(guān)重要.這是唯一的從可以識(shí)別一些人的ASR到識(shí)別任何時(shí)間任何人的ASR的方式.
在近期的Switchboard語音識(shí)別基準(zhǔn)測(cè)試中,單詞的錯(cuò)誤率得到改進(jìn).Switchboard集其實(shí)是在2000年收集的,它是由兩個(gè)隨機(jī)的以英語為母語的人之間的40個(gè)電話對(duì)話組成.
可以說目前我們已經(jīng)在會(huì)話式語音識(shí)別上達(dá)到“人類”水平,但僅僅只是在Switchboard方面.這個(gè)結(jié)果就像是在一個(gè)陽光燦爛的日子里的某城市中,只有一個(gè)人駕駛著自動(dòng)駕駛汽車進(jìn)行測(cè)試.最近在這方面取得的進(jìn)步令人驚訝,但是,關(guān)于達(dá)到“人類”水平的說法還是太過寬泛,以下是一些仍需要改進(jìn)的幾個(gè)方面.
口音和噪音
語音識(shí)別中最明顯的缺陷之一是處理口音和背景噪聲.最直接的原因是,大多數(shù)訓(xùn)練數(shù)據(jù)是由具有高信噪比的美國(guó)口音的英語組成.
但是,更多的訓(xùn)練數(shù)據(jù)可能并不能自行解決這個(gè)問題.現(xiàn)實(shí)生活中,也有許多方言和口音.因此,用標(biāo)注數(shù)據(jù)去應(yīng)對(duì)所有情況是不可行的.構(gòu)建一個(gè)高質(zhì)量的語音識(shí)別器,轉(zhuǎn)錄了5000多小時(shí)的音頻難道只是為了以英語為母語的人?
將轉(zhuǎn)錄器與百度的深度語音識(shí)別系統(tǒng)Deep Speech 2 比較后發(fā)現(xiàn)在轉(zhuǎn)錄非美國(guó)口音時(shí)情況更糟糕.可能是由于美國(guó)人在轉(zhuǎn)錄時(shí)的偏見.
在背景有噪音的情況下,移動(dòng)汽車的信噪比低至5DB并不罕見.這種環(huán)境下,人們也能夠很好的聽清彼此.另一方面,語音識(shí)別器在噪聲方面的降解速度更快.在上圖中,可以清楚看到人力和模型誤差率之間的差距,從低信噪比急劇上升到高信噪比.
語義錯(cuò)誤
在語音識(shí)別系統(tǒng)中,單詞錯(cuò)誤率通常不是實(shí)際的目標(biāo),語義錯(cuò)誤率才是我們關(guān)注的重點(diǎn).因?yàn)?語義正確與否關(guān)系到對(duì)他人話語的理解程度.
一個(gè)語義錯(cuò)誤的例子是,如果有人說“讓我們?cè)谛瞧诙娒?rdquo;,但是語音識(shí)別器識(shí)別為“我們今天就見面”.這是出現(xiàn)了單詞錯(cuò)誤卻沒有語義錯(cuò)誤,當(dāng)然,情況也可能反過來.
使用錯(cuò)誤率作為代理服務(wù)時(shí),必須謹(jǐn)慎.先舉一個(gè)最壞的例子來說明原因.一個(gè)5%的回答可能相當(dāng)于每20個(gè)單詞就漏掉一個(gè).那么,如果一句話只有20 個(gè)單詞的話,那么這句話的錯(cuò)誤率可能就是100%.
當(dāng)將模型與人類進(jìn)行比較時(shí),檢查錯(cuò)誤的本質(zhì)是非常重要的,而不僅僅是將答案視為一個(gè)確定的數(shù)字.就經(jīng)驗(yàn)來看,人類的轉(zhuǎn)錄要比語音識(shí)別器產(chǎn)生更少的語義錯(cuò)誤.
微軟的研究人員最近比較了人類轉(zhuǎn)錄及其人類語言識(shí)別器所犯的錯(cuò)誤,發(fā)現(xiàn)的一個(gè)差異在于,該模型混淆了“uh”和“uh huh”.這兩個(gè)詞有完全不同的語義.模型和人力都犯了很多相同類型的錯(cuò)誤.
單通道,多個(gè)揚(yáng)聲器
由于每個(gè)揚(yáng)聲器都使用單獨(dú)的麥克風(fēng)進(jìn)行錄音,所以 Switchboard會(huì)話任務(wù)也更容易.同一音頻流中,多個(gè)揚(yáng)聲器沒有重疊.另一方面,人類可以很好的理解多個(gè)揚(yáng)聲器有時(shí)在同一時(shí)間進(jìn)行的通話的內(nèi)容.
一個(gè)好的會(huì)話語音識(shí)別器必須能夠根據(jù)誰在說話(diarisation)來分割音頻.它也應(yīng)該能夠使用重疊的揚(yáng)聲器(音源分離)來理解音頻.這是可行的,不需要麥克風(fēng)每一個(gè)揚(yáng)聲器,以便會(huì)話語音可以在任意位置都能工作.
域的變化
口音和背景噪聲是語音識(shí)別器的兩個(gè)重要的因素,這里還有一些:混響聲音環(huán)境變化;來自硬件的artefacts;用于音頻和壓縮的artefacts;采樣率;說話人的年齡.
大多數(shù)人甚至不會(huì)注意到mp3和普通wav文件之間的區(qū)別.在聲明人力性能之前,語音識(shí)別器也需要對(duì)這些變化的來源進(jìn)行強(qiáng)大的支持.
上下文
你會(huì)發(fā)現(xiàn),像“開關(guān)板”這樣的單詞的錯(cuò)誤率實(shí)際上會(huì)很高,如果你和一個(gè)朋友交談,他們誤解了每20個(gè)字中的1個(gè),那么你就會(huì)很難溝通.
其中的一個(gè)原因是評(píng)估是在上下文中完成的.在現(xiàn)實(shí)生活中,我們會(huì)使用許多其他線索、結(jié)合語境來幫助我們了解某人在說什么.但語音識(shí)別器不能識(shí)別這些:
對(duì)話的歷史和討論的話題;關(guān)于我們正在說話的人的視覺暗示包括表情和唇部運(yùn)動(dòng);說話的人的背景.
目前,Android的語音識(shí)別器已經(jīng)掌握你的聯(lián)系人列表,因此它可以識(shí)別你的朋友的姓名.地圖產(chǎn)品中的語音搜索可以使用地理定位來縮小你可能想要瀏覽的感興趣的地點(diǎn).當(dāng)使用這種類型的信號(hào)時(shí),ASR系統(tǒng)的精度肯定會(huì)提高.
部署
當(dāng)要部署一個(gè)新的算法的時(shí)候,可以考慮延遲和算法,因?yàn)樵黾佑?jì)算的算法往往會(huì)增加延遲,但為了簡(jiǎn)單起見,接下來將分別討論.
延遲:完成轉(zhuǎn)錄之后,低延遲是十分常見的,它會(huì)顯著影響用戶的體驗(yàn).因此,幾十毫秒內(nèi)的延遲要求對(duì)于ASR系統(tǒng)來說并不少見.雖然這可能聽起來會(huì)有些極端,但這通常是一系列昂貴計(jì)算的第一步,所以,必須謹(jǐn)慎.
將未來信息有效地納入語音識(shí)別的好方法到目前為止仍然是一個(gè)開放的問題,有待討論.
計(jì)算:記錄話語所需的計(jì)算能力是一種經(jīng)濟(jì)約束.我們必須考慮到對(duì)語音識(shí)別器的每一個(gè)精度的改進(jìn).如果改進(jìn)不符合經(jīng)濟(jì)閾值,則無法部署.
一個(gè)從未被部署的持續(xù)改進(jìn)的經(jīng)典例子是集成.1%或2%的誤差降低可能會(huì)達(dá)到2-8倍的計(jì)算增長(zhǎng),現(xiàn)代的RNN語言模型通常也屬于這一類.
實(shí)際上,并不建議在很大的計(jì)算成本上提高準(zhǔn)確性,已經(jīng)有“先慢但準(zhǔn)確,然后加速”的工作模式.但關(guān)鍵在于,直到改進(jìn)足夠快,它仍是不可用的.
未來五年
語音識(shí)別中還存在許多開放性和挑戰(zhàn)性的問題.這些包括:擴(kuò)大新領(lǐng)域,口音和遠(yuǎn)場(chǎng),低信噪比;將更多的上下文融入識(shí)別過程;Diarisation和源分離;超低延遲和高效推理.
期待在今后的五年在這些方面都能取得進(jìn)展.


