Amazon Echo Alexa's voice recognition skills tested
 |
「語音辨識」的終極夢想，是真正能夠理解人類語言，甚至是方言環境的系統。但幾十年來，人們並沒有一個有效的策略，來創建這樣一個系統，直到人工智慧技術的爆發。
在過去幾年中，人們在人工智慧和深度學習領域的突破，讓語音辨識的探索跨了一大步。市面上玲琅滿目的產品，也反映了這種飛躍式發展，例如亞馬遜Echo、蘋果Siri 等等。本文將回顧語音辨識技術領域的最新進展，研究促進其迅猛發展進程的元素，並探討其未來，以及我們距離可以完全解決這個問題，還有多遠。
背景：人機交互
多年來，理解人類一直都是人工智慧的最重要任務之一。人們不僅希望機器能夠理解他們在說些什麼，還希望它們能夠理解他們所要表達的意思，並基於這些資訊採取特定的行動。而這一目標正是對話式人工智慧（AI）的精髓。
對話式AI包含有兩個主要類別：人機介面，以及人與人溝通的介面。在人機介面中，人類與機器往往透過語音或文本交互，屆時機器會理解人類 （儘管這種理解方式是有限的） 並採取相應的一些措施。圖1表明，這台機器可以是一個私人助理 （ Siri、Alexa之類的產品 ） 或某種聊天機器人。
 |
圖1：人機交互AI
|
在人與人之間的互動中，人工智慧會在兩個或兩個以上，進行會話、互動或提出見解的人類用戶之間，構建一座橋梁 （ 參見圖2 ） 。例如，一個AI在聽取電話會議後，能夠創立出一段簡要的電話記錄摘要，並跟進相關人員。
 |
圖2：人與人之間互動的人工智慧
|
對話式AI背後：機器感知與機器辨識
為了理解對話式AI背後的挑戰與技術，我們必須研究人工智慧的基本概念：機器感知與機器辨識。
機器感知是指機器能夠採用，類似於人類自己憑感覺，感知周圍世界，來分析數據的能力；換句話說，其本質上就是為機器賦予人類的感知能力。
近來很多的人工智慧算法，都需要使用電腦攝影機，如目標檢測和辨識，都歸屬於機器感知範疇——主要涉及視覺處理。語音辨識和分析，則是那些利用聽覺的機器感知技術。
近來很多的人工智慧算法，都需要使用電腦攝影機，如目標檢測和辨識，都歸屬於機器感知範疇——主要涉及視覺處理。語音辨識和分析，則是那些利用聽覺的機器感知技術。
機器辨識是在機器感知，所生成的元數據之上的推理運算。機器辨識包括決策制訂、專家系統、行動執行，以及用戶的意圖等方面。一般情況下，如果沒有機器辨識，對AI的感知系統不會產生任何影響，而機器感知會提供適當的元數據資訊，來令其做出決策與執行行動。
在對話式AI中，機器感知包括所有的語音分析技術，如辨識和性能分析；機器辨識則包括所有與語言理解能力相關的技術，而這也是自然語言處理 （ NLP ） 的一部分。
語音辨識的發展
語音辨識的研究和發展情況基本分為三個主要時期：
2011年之前
人們對語音辨識的活躍研究，已經進行了幾十年，而事實上，即使是在二十世紀50年代和60年代，人們也一直在試圖構建語音辨識系統。然而，在2011年以及深度學習、大數據和雲計算出現以前，這些解決方案還遠遠不足以被大規模採用，以及商業使用。從本質上來說，其算法還不夠好，當時也沒有足夠的數據可以用於算法的訓練，而且無法進行高性能電腦，也阻礙了研究人員運行更複雜的實驗。
2011年-2014年
深度學習產生的第一個重大影響發生在2011年，當時有一個研究小組，一同創造了第一個基於深度學習的語音辨識系統，而這個研究小組成員包括來自微軟的研究人員、李登（Li Deng）、董玉（Dong Yu）和亞歷克斯·阿賽羅（Alex Acero），以及傑弗里·希爾頓（Geoffrey Hinton）和他的學生喬治·達爾（George Dahl）。
效果很即時：其相對錯誤率降低了25%以上。而這個系統也是深度學習領域進行大規模發展和改進的切入點。
效果很即時：其相對錯誤率降低了25%以上。而這個系統也是深度學習領域進行大規模發展和改進的切入點。
此後，在有了更多數據、雲計算可用後，蘋果（Siri）、亞馬遜 （Alexa） 和谷歌這類的大公司，均採用了深度學習技術，而且對其產品性能有著顯著的改善，並將其產品發佈到了市場上。
2015至今
在2014年底，遞歸神經網路獲得了更多的關注。與此同時，遞歸神經網路與注意力模型、記憶網路，以及其他技術一起，掀起了這個領域發展的第三次浪潮。
如今，幾乎每一種算法或者解決方案，都採用了某種類型的神經模型，而且實際上，幾乎所有的關於語音的研究，都已轉向深度學習。
如今，幾乎每一種算法或者解決方案，都採用了某種類型的神經模型，而且實際上，幾乎所有的關於語音的研究，都已轉向深度學習。
語音辨識領域，神經模型的最新進展
過去六年中，語音辨識在此前，40多年的基礎上，創造了更多的突破。這種非凡的新進展，主要歸功於神經網路。要理解深度學習所帶來的影響，以及它所扮演的角色，我們首先需要理解語音辨識是如何工作的。
儘管近50年來語音辨識，一直屬於熱門研究領域，然而構建能夠理解人類語言的，及其仍舊是人工智慧最具挑戰性的問題之一，要實現這一目標非常困難。
語音辨識由不少明確的任務組成：給出某種制訂的人類語言，然後嘗試將其語音轉換成文字。然而，機器所辨識的語音中可能包括一部分噪音，所以就要求其能夠從噪聲中，提取出與對話相關的部分，並將其轉換成有意義的文字。
語音辨識由不少明確的任務組成：給出某種制訂的人類語言，然後嘗試將其語音轉換成文字。然而，機器所辨識的語音中可能包括一部分噪音，所以就要求其能夠從噪聲中，提取出與對話相關的部分，並將其轉換成有意義的文字。
語音辨識系統的基本構造塊
語音辨識基本分為三個主要部分：
信號位準：信號位準的目的是提取語音信號，並增強信號（如果有必要的話），或是進行適當的預處理、清理和特徵提取。這非常類似於每一項機器學習任務，換句話說，如果給定一些數據，我們需要做適當的數據預處理和特徵提取。
噪音位準：噪音位準的目的在於將不同的特徵，劃分成不同的聲音。換句話說，聲音本身並不能提供出一個足夠精確的標準，而有時我們將次於原聲的聲音稱為聲學標準。
語言位準：因為我們假設這些聲音都是人類所產生，而且是有意義的，因此我們可以把這些聲音組合成詞語，然後把這些詞語組合成句子。在語言位準中，這些技術通常屬於不同類型的NLP技術。
基於深度學習的改進
深入學習對語音辨識領域產生了巨大的影響。其影響非常深遠，即使在今天，幾乎每一個語音辨識領域的解決方案，都可能包含有一個或多個，基於神經模型的嵌入算法。
通常而言，人們對語音辨識系統的評價，都基於一個名為配電盤（SWBD）的行業標準。SWBD是一個語音語料庫，整合了電話中的即興對話，包含音頻和人聲的副本。
語音辨識系統的評估標準，主要基於其誤字率（WER），誤字率是指語音辨識系統，辨別錯誤的單詞有多少。圖3展示了從2008年到2017的誤字率改進情況。
 |
圖3：誤字率改進情況
|
從2008年到2011年，誤字率一直都處於一個穩定的狀態，位於23%至24%之間；而深度學習從2011年開始出現時起，誤字率從23.6%降低至5.5%。這一重大發展對語音辨識開發而言，是一種變革，其誤字率的改進相對提高了近77%。
誤字率的改善也產生了廣泛應用，例如蘋果Siri、亞馬遜 Alexa、微軟 Cortana 和 Google Now，這些應用也可以透過語音辨識啟動各種家居，如亞馬遜Echo 和 Google Home。
秘密武器
那麼，系統產生如此大幅度改善的原因是什麼呢？是不是有什麼技術可以使得誤字率從23.6%減少到了5.5%呢？遺憾的是，並沒有其他單獨的技術、方法。
然而，深入學習和語音辨識息息相關，構造出了一個，可以涉及各種不同技術和方法的先進系統。
例如，在信號位準中，有著不同的基於神經模型，從信號中提取和增強語音本身的技術 （圖4） 。同時，還有能夠用更加複雜高效的，基於神經模型的方法，取代經典特徵提取方法的技術。
 |
圖4：信號位準的分析
|
聲音和語言位準中，也包含有各種各樣不同的深度學習技術，無論是聲音等級分類，還是語言等級分類，都採用了不同類型，基於神經模型的架構（見圖5）。
 |
圖5：聲音和語言位準分析
|
總而言之，建立一個先進的系統並不是一項容易的工作，而實現將所有涉及的這些不同技術，整合為一個系統的過程也不輕鬆。
先進研究
近來在語音辨識領域有這麼多的突破，那麼我們自然要問，語音識別接下來的突破口在哪？未來聚焦的研究點，或將從以下三個主要領域展開：算法、數據和可擴展性。
算法
隨著亞馬遜Echo 與 Google Home 的成功，許多公司正在發佈能夠辨識理解語音的智慧喇八揚聲器和家庭設備。然而，這些設備的推出又帶來了一個新問題：用戶說話時往往距離麥克風不是很近，例如用戶用手機對話時的狀態。
而處理遠距離語音辨識又是一個具有挑戰性的問題，很多研究小組也正在積極研究這個問題。如今，創新的深度學習和信號處理技術，已經可以提高語音辨識的品質了。
數據
語音辨識系統的關鍵問題之一，是缺乏現實生活的數據。例如，很難獲得高品質的遠端通話數據。但是，有很多來自其他來源的數據可用。一個問題是：我們可以創建合適的合成器，來生成訓練用的數據嗎？今天，生成合成數據並訓練系統正在受到重視。
為了訓練語音辨識別系統，我們需要同時具備音頻和轉錄的數據集。人工轉錄是繁瑣的工作，有時會導致大量音頻的問題。因此，就有了對半監督培訓的積極研究，並為辨識者建立了適當程度的信心。
由於深度學習與語音辨識相結合，因此對CPU和內存的佔用量不容小覷。隨著用戶大量採用語音辨識系統，構建經濟高效的雲解決方案，是一個具有挑戰性的重要問題。
對如何降低計算成本，並開發更有效的解決方案的研究，一直在進行。今天，大多數語音辨識系統都是基於雲的，並且具有必須解決的兩個具體問題：延遲和持續連接。
延遲是需要立即響應的設備（如機器人）的關鍵問題。在長時間監聽的系統中，由於頻寬成本，持續連接是一個問題。因此，還需要對邊緣語音辨識的研究，它必須保持基於雲的系統的質量。
解決語音辨識問題
近年來，語音辨識的表現和應用，出現了巨大的飛躍。我們離完全解決這個問題還有多遠？答案也許五年、也許十年，但仍然有一些挑戰性的問題需要時間來解決。
第一個問題是對噪音的敏感性問題。一個語音辨識系統在非常接近麥克風，而且不嘈雜的環境中運行得很好——然而，如果說話的聲音比較遠，或者環境很嘈雜能迅速降低系統的效能。
第二個必須解決的問題是語言擴展：世界上大約有7000種語言，絕大多數語音辨識系統能夠支持的語言數量，大約是八十種。擴展系統帶來了巨大的挑戰。
此外，我們缺少許多語言的數據，而且匱乏數據資源，則難以創建語音辨識系統。
結論
深度學習在語音辨識和對話式AI領域，刻下了深深的印記。而鑒於該技術最近獲得的突破，我們真的正處於一場革命的邊緣。
而最大的問題在於，我們是否準備贏得語音辨識領域的技術挑戰，並像其他商品化技術一樣，開始運用它呢？或者說，是否還有另一個新的解決方案，正等待著我們去發現？畢竟，語音辨識的最新進展，只是未來科技藍圖的一小塊：語言理解本身就是一個複雜，而且或許更加強大的一個領域。
沒有留言:
張貼留言