• 09月21日 星期六

突破!一场国际竞赛,22项第一

突破!一场国际竞赛,22项第一

11月10日,

国际低资源多语种语音识别竞赛OpenASR

落下帷幕,

科大讯飞-中国科大语音及语言信息处理国家工程实验室(USTC-NELSLIP)联合团队(以下简称联合团队)

参加了所有15个语种受限赛道和

7个语种非受限赛道,

并全部取得第一名的成绩!

突破!一场国际竞赛,22项第一突破!一场国际竞赛,22项第一突破!一场国际竞赛,22项第一


突破!一场国际竞赛,22项第一


继前不久荣获多语言理解评测XTREME冠军之后,科大讯飞在多语种领域再次取得突破,在探索人机交互更自然、人人沟通无障碍的征程中又迈出了坚实的一步,也为中国多语种语音语言技术赶超国际先进水平、中国智能制造的全球化奠定了坚实的基础。

突破!一场国际竞赛,22项第一

一场比赛,22项第一

从大语种向低资源多语种拓展


近年来,随着深度学习技术的进步,汉语、英语等大语种语音识别技术日趋成熟,并获得广泛的应用。


相比之下,小语种语音识别因其语音数据资源难以获取、难以标注、难以评估、语言专家稀缺等原因,已经成为世界性的研究难题,距离实用门槛仍有较大差距。


与NIST此前组织的其他赛事相比,OpenASR更加关注小语种语音技术,探索如何使用少量的数据达到较好的效果,同时考察低资源语音识别基础算法在多个语种上的推广性。自2020年启动以来,吸引了加拿大蒙特利尔信息科技研究中心、新加坡科技研究局、清华大学、腾讯等国内外知名研究机构和企业参与其中。

突破!一场国际竞赛,22项第一

图1:15个语种信息

本次比赛共包含15个语种,涵盖受限赛道(Constrained condition)、受限附加赛道(Constrained Plus)和非受限赛道(Unconstrained Condition)。


其中受限赛道为各参赛单位必选项,每个语种只能使用组委会提供的10小时标注语音识别数据,受限附加赛道在受限赛道的基础上允许使用开源的预训练模型,而非受限赛道可以使用组委会提供10小时受限数据之外的数据。


科大讯飞-中国科大联合团队提出了基于语音和文本统一空间表达的半监督语音识别框架(Unified Spatial Representation Semi-supervised ASR,USRS-ASR),得益于该算法良好的推广性,团队在受限赛道所有15个语种中全部取得冠军。同时,为了评估语种语音识别实际应用水平,该团队参加了7个语种非受限赛道,也全部取得第一名的成绩。

突破!一场国际竞赛,22项第一

图2:联合团队全部15个语种受限赛道成绩

突破!一场国际竞赛,22项第一

图3:联合团队参加的7个语种非受限赛道成绩

突破!一场国际竞赛,22项第一

领先技术亮相国际赛场

对于低资源语种而言,除了语音数据量较小外,其发音词典大小、语料丰富性、标注准确度都远不及常规水平。本次比赛中各个语种数据主要来自电话信道,口语化特征十分明显,对话风格非常自由,也使得语音识别难上加难。


在受限赛道上,由于每个语种只有10小时语音数据,如何使用少量文本数据,利用无监督的方法增加语音训练数据的多样性至关重要。


科大讯飞-中国科大联合团队创新运用Flow-TTS语音合成进行训练数据扩增,并使用语音属性解耦技术保证合成语音的多样性。结果显示,使用上述无监督数据扩增方案,能够稳定、显著地提升低资源语音识别任务的效果。


而在非受限赛道上,虽然参赛者可以利用公开的语音数据,但数据总量仍只有数百小时,而且语音数据和文本数据的量级差距十分明显,这对于端到端识别框架来说,弊端更为明显。


为了在端到端统一框架下,充分使用少量语音数据和海量文本数据,科大讯飞-中国科大联合团队提出了基于语音和文本统一空间表达的半监督语音识别框架USRS-ASR。


首先,对于海量文本数据的使用,创新设计了文本掩码语言模型任务、合成数据语音识别两个目标,两个任务联合训练以充分利用海量无监督文本;其次,设计了共享语言解码模块,实现了语音和文本隐层表达空间的统一,大大缓解了低资源语种的数据稀疏问题。


突破!一场国际竞赛,22项第一

图4:USRS-ASR框架示意图

突破!一场国际竞赛,22项第一

为全球提供多语种智能语音解决方案


多语种语音语言技术是万物互联时代实现人机交互的关键技术,也是实现“一带一路”语言大互通的基础技术。


从2014年开始,科大讯飞就一直在该方向的源头技术创新及产业化应用上持续投入,并不断挑战实际应用中的技术难题。


经过多年的技术积累,除了中英以外,科大讯飞还具备了 69种语言的语音识别能力(其中35个语种准确率已超过90%),并已在新加坡、俄罗斯、印度、日本等国家部署了海外站点,为各地开发者提供语音识别、语音合成、机器翻译、图文识别等语音语言服务,所有服务均在科大讯飞开放平台开放。


多语种技术有力支撑了科大讯飞智能硬件产品创新。在翻译终端方面,2016年11月发布的科大讯飞智能翻译硬件,开创了AI翻译机新品类;在会议同传方面,2016年11月推出的讯飞听见多语种字幕同传系统,支持日韩法西等多国语言的同声传译;在录音笔方面,科大讯飞于2019年5月发布智能录音笔,次年升级支持8种语言转写能力,2021年日本版智能录音笔VOITER系列在日本一经上线,就取得单月销售破千台的亮眼成绩。


除自身产品以外,科大讯飞也积极为“中国制造”出海产品提供自主可控解决方案。


在手机、家电方面,为国内众多手机厂商提供包括中英在内的多语种语音识别、语音合成能力解决方案,并联合海尔研发多语种识别系统,助力其拓展东南亚市场;在车载交互方面,与上汽、长安、奇瑞等国内主要出海汽车提供商,以及俄罗斯汽车工程研究院(NAMI)等海外车厂开展多语种项目合作,覆盖英语、俄语、日语、泰语、西班牙语、意大利语等数十个语种。


此外,科大讯飞的多语种相关技术能力也已应用于北京2022年冬奥会官方APP(冬奥通),助力冬奥信息沟通无障碍。


作为人工智能国家队,科大讯飞将继续坚持源头核心技术创新,联合国内众多研究机构与企业,构建多语言技术的系统性创新研发生态,共同推动我国多语言技术进步与应用落地。


本期监制:郑骊|编辑何爱文



上一篇新闻

谷歌如何利用人工智能重塑美国医疗行业?

下一篇新闻

细数欧美元首座驾!乌拉圭前总统的老宾利最亲民!

评论

订阅每日新闻

订阅每日新闻以免错过最新最热门的新加坡新闻。