百度語音首席架構(gòu)師賈磊
賈磊指出，面對未來智能語音產(chǎn)業(yè)鏈的新需求，百度將研發(fā)新一代的端到端智能語音交互系統(tǒng)，實現(xiàn)語音交互全鏈路協(xié)同處理。
百度創(chuàng)新提出復(fù)數(shù)CNN網(wǎng)絡(luò)的語音增強和聲學(xué)建模一體化方案
賈磊在演講中提到，傳統(tǒng)的遠場語音交互系統(tǒng)中，是先采用一個基于麥克陣列的語音增強模塊，之后再接一個語音識別模塊，兩個模塊串聯(lián)連接。這種系統(tǒng)設(shè)計方法具有很多先天局限性。為了更好的智能遠場語音交互體驗，我們需要設(shè)計一套全新的深度學(xué)習(xí)模型。“如果能設(shè)計一種全新架構(gòu)，一套模型，從原始多路聲音信號開始，對識別文字直接端到端建模，從而使得遠場識別性能大幅度的提升�？梢詥拘押螅�360度隨意的識別，并且不用要求設(shè)備音頻回路必須是線性”，賈磊說。
而這就是百度推出“基于復(fù)數(shù)CNN網(wǎng)絡(luò)的語音增強和聲學(xué)建模一體化的端到端語音識別”方案的初衷。其最大特點就是顛覆了數(shù)字信號處理學(xué)科和語音識別學(xué)科的傳統(tǒng)經(jīng)典理論，直接一套模型端到端的打通兩個學(xué)科，完全數(shù)據(jù)驅(qū)動，端到端建模“，賈磊說。
具體來講是，該模型底部以復(fù)數(shù)CNN為核心，利用復(fù)數(shù)CNN網(wǎng)絡(luò)挖掘生理信號特點。采用復(fù)數(shù)CNN，復(fù)數(shù)全連接層以及CNN等多層網(wǎng)絡(luò)，直接對原始的多通道語音信號進行多尺度多層次的信息抽取，期間充分挖掘頻帶之間的關(guān)聯(lián)耦合信息。
在保留原始特征相位信息的前提下，這個模型一次性實現(xiàn)了前端聲源定位、波束形成和增強特征提取等功能。該模型底部CNN抽象出來的特征，直接送入端到端的流式多級的截斷注意力模型（SMLTA）中，從而實現(xiàn)了從原始多路麥克信號到識別目標(biāo)文字的端到端一體化建模。
百度賈磊：百度大腦語音實現(xiàn)突破，深度學(xué)習(xí)助力語音識別打破領(lǐng)域壁壘
因為整個網(wǎng)絡(luò)的優(yōu)化準(zhǔn)則完全依賴于語音識別網(wǎng)絡(luò)的優(yōu)化準(zhǔn)則來做，完全以識別率提升為目標(biāo)來做模型參數(shù)調(diào)優(yōu)。而由此帶來的好處也不言而喻。根據(jù)統(tǒng)計數(shù)據(jù)顯示，相較于傳統(tǒng)基于數(shù)字信號處理的麥克陣列算法，基于復(fù)數(shù)CNN網(wǎng)絡(luò)的語音增強和聲學(xué)建模使得錯誤率降低超過30%。
賈磊說：“我們基于以上這個技術(shù)，對于語音交互上將有更大的提升，而這種提升和進步是顛覆性的。另外深度學(xué)習(xí)完成了數(shù)據(jù)革命和計算革命之后，開始進行跨學(xué)科整合，繼續(xù)獲得生命力和提升”。
另外從“復(fù)數(shù)CNN網(wǎng)絡(luò)的語音增強和聲學(xué)建模一體化方案”來看，深度學(xué)習(xí)在完成數(shù)據(jù)革命和計算革命之后，開始進行跨學(xué)科的整合，打破學(xué)科間的壁壘，兩個學(xué)科聯(lián)合在一起繼續(xù)獲得生命力提升，這是百度語音技術(shù)提升的軌跡，賈磊指出。
SMLTA+全雙工免喚醒拓展百度多語音識別能力
百度提出流式多級的截斷注意力模型SMLTA，在國際上首次實現(xiàn)流式注意力建模超越整句注意力模型的性能，也是國際上首次實現(xiàn)在線語音識別大規(guī)模使用注意力模型。SMLTA在大幅提升識別速度的同時，也提高了識別準(zhǔn)確率。輸入法有效產(chǎn)品相對準(zhǔn)確率提升15%，音箱有效產(chǎn)品相對準(zhǔn)確率提升20%。
基于此百度在對話能力迎來重大技術(shù)革新——全球領(lǐng)先的全雙工免喚醒能力，實現(xiàn)了“一次喚醒，多輪交互”免喚醒詞連續(xù)對話。
基于以上技術(shù)，百度提出了語音語義一體化解決方案，即百度可以做到一套模型同時識別中文英文和方言。如在2019年1月百度輸入法上線河南、山東、四川、東北、陜西、安徽方言的無障礙輸入，今年年底將支持河北、山西、湖北、湖南、云南等。另外，值得一提的是，百度輸入法還是支持中英文混合語音輸入，而且識別率大幅度改進提升。
除了在應(yīng)用和技術(shù)上的突破創(chuàng)新，賈磊還帶來了百度大腦語音技術(shù)的前沿進展：百度2018年和2019年先后推出“百度昆侖”“百度鴻鵠”兩款人工智能專用芯片，讓智能時代的核心硬件技術(shù)自主可控。經(jīng)過不斷優(yōu)化發(fā)展迭代升級，基于鴻鵠語音芯片已逐漸開始覆蓋智能家居、智能車聯(lián)、智能IoT的三大場景解決方案。
賈磊說，“2018年和2019年先后推出“百度昆侖”“百度鴻鵠”兩款人工智能專用芯片，讓智能時代的核心硬件技術(shù)自主可控”。
主題演講最后，賈磊表示：希望通過語音技術(shù)和硬件芯片，為各大廠商為中國社會做更好地服務(wù)。
寫在最后
當(dāng)前以AI技術(shù)為核心的第四次工業(yè)革命已經(jīng)拉開大幕。特別是隨著5G商用之后，AI技術(shù)的落地正在加速，同時也是AI滲透到社會生活方方面面的開始。
這里百度憑借自身AI核心技術(shù)上取得諸多突破和儲備，以及積極打造AI開放生態(tài)這兩大優(yōu)勢，正確立在AI技術(shù)革命中的行業(yè)領(lǐng)先地位。
