近日，阿里巴巴達摩院機器智能實驗室開源了新一代語音識別模型DFSMN，將全球語音識別準確率紀錄提高至96.04%（這一數據測試基於世界最大的免費語音識別數據庫LibriSpeech）。
對比目前業界使用最為廣泛的LSTM模型，DFSMN模型訓練速度更快、識別準確率更高。採用全新DFSMN模型的智能音響或智能家居設備，相比前代技術深度學習訓練速度提到了3倍，語音識別速度提高了2倍。
語音識別模型 DFSMN
開發語言：C/C++
操作系統：跨平臺
GitHub地址：https://github.com/tramphero/kaldi
語音識別技術一直都是人機交互技術的重要組成部分。有了語音識別技術，機器就可以像人類一樣聽懂說話，進而能夠思考、理解和反饋。近幾年隨著深度學習技術的使用，基於深度神經網絡的語音識別系統性能獲得了極大的提升，開始走向實用化。基於語音識別的語音輸入、語音轉寫、語音檢索和語音翻譯等技術得到了廣泛的應用。
目前主流的語音識別系統普遍採用基於深度神經網絡和隱馬爾可夫（Deep Neural Networks-Hidden Markov Model，DNN-HMM）的聲學模型，其模型結構如圖所示。聲學模型的輸入是傳統的語音波形經過加窗、分幀，然後提取出來的頻譜特徵，如 PLP， MFCC 和 FBK等。
而模型的輸出一般採用不同粒度的聲學建模單元，例如單音素 (mono-phone)、單音素狀態、綁定的音素狀態 (tri-phonestate) 等。從輸入到輸出之間可以採用不同的神經網絡結構，將輸入的聲學特徵映射得到不同輸出建模單元的後驗概率，然後再結合HMM進行解碼得到最終的識別結果。
據瞭解，DFSMN模型就是在國際聲學會議 ICASSP 2018 上做oral報告的 DFSMN（深度前饋序列記憶網絡）。DFSMN使用基於BLSTM的統計參數語音合成系統作為基線系統，採用廣泛使用的跳躍連接技術，在執行反向傳播算法時，梯度可以繞過非線性變換。
著名語音識別專家，西北工業大學教授謝磊表示：“阿里此次開源的DFSMN模型，在語音識別準確率上的穩定提升是突破性的，是近年來深度學習在語音識別領域最具代表性的成果之一，對全球學術界和AI技術應用都有巨大影響。”
閱讀更多 無限科技 的文章
