不久前，百度的首席科學家吳恩達（Andrew Ng）在接受采訪時曾談到了百度最近人工智能項目的進展情況，強調了近期百度重點是攻關語音識別?，F(xiàn)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，是一款采用深度學習技術的語音識別系統(tǒng)系統(tǒng)。其獨特之處在于，它可以在飯店等嘈雜環(huán)境下實現(xiàn)將近81%的辨識準確率。

 

81%的準確率聽起來似乎不算高。但是同樣環(huán)境下，其他的商業(yè)版語音識別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(xiàn)了。而且按照吳恩達的說法，這樣的結果依然低估了Deep Speech與其他語音識別系統(tǒng)的準確率差異，因為Deep Speech進行比較時還把其他語音識別系統(tǒng)那些返回空白字符串的結果排除在外了。而且Deep Speech跟頂級的學術型語音識別模型（基于流行的數(shù)據(jù)集Hub5 00建模）相比也高出9個百分點。

 

百度首席科學家吳恩達稱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之類的可穿戴設備使用的語音識別軟件當中。而且百度還在開發(fā)與Amazon Echo類似、集成有語音助手的家電產(chǎn)品，名字叫做CoolBox。除此以外，百度在開發(fā)的智能自行車當然也能利用Deep Speech技術。

 

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

 

但是Deep Speech的成功主要得益于一個長達10萬小時的語音數(shù)據(jù)訓練集。這是百度人工智能實驗室團隊用新穎的辦法在嘈雜環(huán)境下建立的。其過程大致是這樣的。首先百度收集了7000小時的語音會話數(shù)據(jù)，然后再將這些語音文件與包含有背景噪音的文件合成到一起，最后形成約10萬小時的訓練集。這些背景噪音包括了飯店、電視、自助餐廳以及汽車內、火車內等場景。相比之下，Hub5 00的數(shù)據(jù)集總共只有2300小時。

 

當然，這么龐大的數(shù)據(jù)大多數(shù)系統(tǒng)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(guī)模龐大的基于GPU的深度學習基礎設施。GPU（圖形處理器）往往是偏數(shù)學型計算的首選。許多深度學習系統(tǒng)都采用GPU避免通信瓶頸（不過微軟的深度學習系統(tǒng)Adam 卻走了不同的路線），但是像百度這樣大規(guī)模的設施卻是少見的。

 

 

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

 

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