12月11日，依圖發布了依圖短語音聽寫API、和微軟Azure推出依圖語音開放平臺。
其實早在2016年，當計算機視覺公司剛開始吸引投資人注意時，語音識別就開始規模化場景落地。現如今，百度、騰訊、京東、小米紛紛發布智能音箱，各種手機搭載語音交互，智能翻譯工具、智能客服等語音類產品層出不窮。
那么，相比同類產品，依圖語音技術的比較優勢和市場空間會在哪里？在未來產品化落地上，依圖會有怎樣的規劃？圍繞這些問題，36氪獨家專訪了依圖科技首席創新官，前Google Research Scientist呂昊博士。
依圖科技首席創新官呂昊博士
確實，這個時間點進入語音行業挑戰重重，一則先發優勢不再，二則市場擁擠，科大訊飛、BAT大廠紛紛入局，從技術上升到平臺生態，市場空間看似余地不多。
對此，呂昊表示：依圖團隊對國內現有的語音識別技術都做了調研，發現在不少場景下，語音識別效果并不理想，例如通話過程中的聲音轉寫準確率低、遠距離的聲音采集識別效果差、語料數據積累不足等。因此，依圖會從這些可優化空間入手，對模型算法進行打磨，提升識別率，降低字錯率。
在語音識別領域，15%的字錯率是一條紅線，超過則基本不具備可讀性，而低于3%則是可以被認為具備類人的語音識別能力。然而，在實際說話過程中，人的語速、語氣、口音、語態等都會影響識別準確度。此外，不同于英文，中文復雜的語言元素，以及同音不同意等問題為語音識別帶來了更大的挑戰。那么依圖如何應對呢？
呂昊告訴36氪：當前業內缺乏系統性的標準測試和測試集，對于語音識別缺乏體驗和比較的工具，為提升識別準確率，依圖團隊搜集了大量真實對話數據，以及專業類、生活類的細分語料庫，基于此，依圖提出了自己多維度、多場景的測試數據集，由此來對模型算法進行訓練和測試。
據悉，在基于全球最大中文開源數據庫的AISHELL-2的測試中，依圖短語音聽寫的字錯率為3.71%，官方稱領先原業內領先者科大訊飛約20%。在若干近場、混響、噪聲等公開測試集上，依圖平均字錯率 6.39%，領先訊飛 11%。加入電話、口音、語音節目、遠場演講等依圖內部暫無法公開的測試集后（全部測試集共 50小時、60萬漢字），依圖平均字錯率 8.27%，訊飛是9.30%，依圖仍然領先訊飛 11% 左右。
基于不同數據測試集上，依圖語音識別技術的準確率表現
其實，如果想實現真正意義上的語音交互，語音只是一部分，更重要的則是對語義的理解。如果我們把語音技術比作人的嘴巴和耳朵，用于表達和獲取；那么語義理解則是人的大腦，能夠幫助信息處理和解析。在語義理解方面，依圖同樣在進行技術積累。
呂昊表示：雖然此次是從語音切入，但是團隊一直是語音、語義兩線并行。2017年時，依圖就曾將自然語言處理（NLP)技術用于AI+醫療解決方案，結合自建的臨床中文知識圖譜，對醫學文本等多模態數據進行解析和信息提取。今年，依圖的論文更入選NLP頂會EMNLP 2018，針對計算機語言學核心問題之一的指代理解提出全新數據集PreCo并對外開放。
此前，在視覺領域，依圖已經在智慧城市、醫療、金融、零售等領域有了產品化、商業化積累。對于是否會將語音技術遷移于這些領域，呂昊回應：這一階段仍舊以技術積累為主，依圖在開放平臺上提供了自有的API和模型算法，一方面可以經由市場驗證算法質量，另一方面可以由此接近不同行業和場景。
據官方信息，依圖與微軟聯合發布的語音開放平臺基于Azure Cloud，將依圖的語音識別技術能力開放給廣泛第三方應用開發者使用。
在未來，依圖計劃陸續開放長語音轉寫API、實時語音轉寫API等。正如呂昊所說：希望為第三方應用開發者在語音領域提供多一個語音技術選擇。
筆者認為：結合自有的CV技術積累，依圖或許可在多模態情感識別和計算領域發力，融合視覺、語音等多重數據，全方位提升機器的感知能力。在商業化層面，雖然當下的依圖語音技術開放平臺仍舊以技術積累為重心，但依托CV積累的的B端用戶，為企業級客戶提供語音解決方案只是時間早晚問題。
————
您可以復制這個鏈接分享給其他人：http://www.jisvip.com/node/414
