五四青年節(jié)當(dāng)日，國際多通道語音分離和識別大賽（CHiME）組委會在線揭曉最新一屆CHiME-6成績：
科大訊飛聯(lián)合中科大語音及語言信息處理國家工程實驗室（USTC-NELSLIP）在給定說話人邊界的多通道語音識別兩個參賽任務(wù)上奪冠。
破自己的紀(jì)錄！
自2016年以來，科大訊飛第三次參加這項國際競賽并連續(xù)奪冠，這次的語音識別錯誤率從CHiME-5的46.1%降至30.5%。
- 喜報丨科大訊飛包攬CHiME-5全部冠軍
- 喜報｜科大訊飛包攬CHiME-4三項冠軍
CHiME-6被稱為“史上最難的語音識別任務(wù)”。
和CHiME-5相同，CHiME-6比賽使用的語音素材包括多個生活場景——多人在廚房邊做飯邊聊天、在起居室邊用餐邊聊天、在客廳聊天，帶來以下四大難點：
- 大量的語音交疊（Speech Overlap）
- 遠場混響和噪聲干擾對錄音的影響
- 對話風(fēng)格非常自由、近乎隨意
- 訓(xùn)練數(shù)據(jù)有限
CHiME-6音頻樣本采集于廚房、起居室、客廳等場景的多人對話
本次比賽的Track1任務(wù)與CHiME-5相同，即在給定說話人邊界的情況下重點考察參賽團隊的多通道信號處理能力及復(fù)雜場景語音識別能力。新設(shè)立的Track2任務(wù)要求參賽機構(gòu)在自動說話人分離的基礎(chǔ)上再進行語音識別。
2018年的CHiME-5比賽，最優(yōu)的參賽系統(tǒng)語音識別錯誤率仍高達46.1%，距離實用仍有較大差距。今年科大訊飛聯(lián)合團隊重點聚焦于Track1，希望進一步探索復(fù)雜場景語音識別實用化的可能性。
通過團隊的技術(shù)攻關(guān)，將該任務(wù)上的語音識別錯誤率從原來的46.1%降至30.5%，大幅刷新該項賽事歷史最好成績，最終在Track1的兩個子任務(wù)（Track1-RankingA，需使用官方語言模型；Track1-RankingB，不限制語言模型）上均斬獲冠軍。
科大訊飛奪得CHiME-6冠軍（Track1:Ranking A）
科大訊飛奪得CHiME-6冠軍（Track1:Ranking B）
同樣的考題，躍升的成績，靠什么？
在遠場、混響、噪音、聲音疊加、語言風(fēng)格隨意等諸多不確定性的復(fù)雜場景下，得益于多年來在真實場景中的技術(shù)積累，科大訊飛聯(lián)合團隊針對比賽任務(wù)進行了一系列技術(shù)創(chuàng)新：
在前端信號處理方面，聯(lián)合團隊提出了基于空間-說話人同步感知的迭代掩碼估計算法(Spatial-and-Speaker-Aware Iterative Mask Estimation，SSA-IME)，該算法結(jié)合傳統(tǒng)信號處理和深度學(xué)習(xí)的優(yōu)點，利用空時多維信息進行建模，迭代地從多個說話人場景中精確捕捉目標(biāo)說話人的信息。該算法不僅有效降低環(huán)境干擾噪聲，而且可以有效消除干擾說話人的語音，從而大幅降低語音識別的處理難度。
在后端聲學(xué)模型上，聯(lián)合團隊提出了基于空間-說話人同步感知的聲學(xué)模型(Spatial-and-Speaker-Aware Acoustic Model，SSA-AM)，通過在聲學(xué)模型輸入端拼接多維度空間信息和不同說話人信息，使其能自適應(yīng)區(qū)分目標(biāo)說話人和干擾說話人。因此，聲學(xué)模型不僅依賴前端算法的處理結(jié)果，也能夠自適應(yīng)完成對目標(biāo)說話人語音特征的提取，大幅提升多人對話場景下語音識別聲學(xué)模型的容錯率和魯棒性。
語音識別應(yīng)用場景更有A.I.
科大訊飛致力于智能語音技術(shù)的源頭創(chuàng)新及行業(yè)應(yīng)用，并不斷挑戰(zhàn)語音識別實際應(yīng)用中的技術(shù)難題。
2010年發(fā)布語音云，持續(xù)改善語音輸入、語音交互場景的準(zhǔn)確率。
2015年發(fā)布訊飛聽見，逐步提升人人對話場景的準(zhǔn)確率。
本次CHiME-6的研究成果無疑將進一步拓展語音識別的應(yīng)用空間：
促進會議場景語音識別的實用化。相比于CHiME-6的比賽環(huán)境，在實際生活中的遠距離生活場景中，說話風(fēng)格隨意性減少、語音疊加現(xiàn)象減少、訓(xùn)練數(shù)據(jù)大幅增加，錯誤率也會大幅下降。本次比賽的技術(shù)成果可應(yīng)用于訊飛聽見智能會議系統(tǒng)升級，進一步促進會議場景語音識別的實用化。
廣泛應(yīng)用于不同的消費產(chǎn)品和服務(wù)中。搭載八麥克風(fēng)陣列的訊飛智能錄音筆、能完整記錄會議內(nèi)容的訊飛智能辦公本、能免切換識別中英文及23種方言的訊飛輸入法，為廣大用戶解決不同場景下的語音識別需求。
為全球提供多語種智能語音解決方案。得益于英文識別領(lǐng)域的深厚功力，科大訊飛正在大力拓展多語種語音識別方面的技術(shù)研究，有望為全球更多企業(yè)及消費者提供優(yōu)質(zhì)的多語種智能語音解決方案。
讓機器能聽會說，能理解會思考，用人工智能建設(shè)美好世界——這是我們的使命。
此次CHiME-6再奪冠，在“讓機器能聽”上，我們又邁進了一大步。
