语音识别发展现状及展望.pdf

中国中文信息学会第七次全国会员代表大会 暨学会成立30周年学术会议 语音识别发展现状与展望 科院自动化研究所 徐波 2011年12月4 日 报告提纲 • 语音识别技术现状及态势 • 语音识别技术的行业应用 • 语音识别技术研究方向 • 结论与展望 2010年始语音识别重新成为产业热点 移动互联网的兴起成为ASR最重要的应用 环境。在Google引领下，互联网、通信公 司纷纷把语音识别作为重要研究方向 – Android系统内嵌语音识别技术，Google语音 翻译等； – iPhone4S 上的Siri软件； – 百度、腾讯、盛大、华为等都进军语音识别领 域； – 我国语音技术领军企业讯飞2010年推出语音云 识别、讯飞口讯 – 已有的QQ2011版语音输入等等 成熟度分析-技术成熟度曲线 美国市场调查咨询公司Gartner于2011年7月发布《2011 新兴技术成熟度曲线》报告： 成熟度分析-新兴技术优先矩阵 Gartner评出了2011年具有变革作用的技术，包括 语音识别、语音翻译、自然语言问答等。其中语音 翻译和自然语言问答有望在5-10年内获得大幅利用 ，而语音识别有望在2-5年内获得大幅利用； 三十年语音识别技术发展 特征提取与知识方面 MFCC，PLP，CMS，RASTA，VTLN； HLDA, fMPE，neural net-based features 前端优化 – 融入更多特征信息(MLP、TrapNN、Bottle Neck Features等） 特征很大特点有些是跟模型的训练算法相匹配 大规模FSN图表示，把各种知识源集中在一起 – bigram vs. 4-gram, within word dependencies vs. cross-word 三十年语音识别技术发展 模型与算法 统计模型HMM – EM、MAP/MLLR 自适应 – MMIE、MPE、fMPE训练（2005 ） – boosted MMIE(bMMIE) 训练（2008 ） – 基于最大边距（Large margin）分类的区分度训练（ 2004-2008 ） 优化模型精度 – 声学上下文建模 Quinphone （五音子）、Septaphone （七音子） – 方差建模（SPAM、EMLLT、全方差建模等） – Subspace GMM(SGMM)建模（2009 ） 提出了更好的声学数据共享机制 三十年语音识别技术发展 有哪些信誉好的足球投注网站 A* 有哪些信誉好的足球投注网站 Viterbi有哪些信誉好的足球投注网站 多遍（Multi-pass ）识别 多系统融合（ROVER ）技术 三十年语音识别技术发展 ASR开放源码工具 HTK为基础的声学模型建模技术 – 剑桥大学的HTK (v3.4.1) LM模型建模技术 – 从传统的SRI的SRILM (v1.5) – 到能够处理更大规模语料的 微软的MSRLM (v0.1) 以及意大利IRST实验室的IRSTLM (v5.6) FSN 以及解码技术 – MIT的LibFST (v1.4.0) – Google的OpenFST (v1.2.7) 大词汇量连续语音识别技术发展概况 在电话、会议等复杂环境中目前英语识别率准确率在80% 左右，离人类2%-4% 的错误率还有很大距离 Moore定理及应用服务驱动计算能 力和方式的改变 云计算主要特征 – 低成本：一堆廉价的机器，但数量庞大； – 虚拟化技术：使用者感觉只面对一台机器； – 并行计算结构：程序必须支持并行计算 云计算类型 – 公有云：对外提供计算和存储服务等，utility ； – 私有云：对外提供应用服务，但满足低成本、虚拟化 以及